| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-23页 |
| ·课题的背景及意义 | 第13-14页 |
| ·仿真数据分析方法研究现状 | 第14-16页 |
| ·高维仿真数据降维方法研究现状 | 第16-19页 |
| ·高维仿真数据本征维数估计方法研究现状 | 第19-20页 |
| ·复杂仿真数据可视化挖掘研究现状 | 第20-22页 |
| ·论文的主要研究内容及安排 | 第22-23页 |
| 第2章 主客观模糊综合评价的复杂仿真数据特征选择 | 第23-35页 |
| ·模糊综合评价模型 | 第23-24页 |
| ·主客观模糊综合评价模型的构建 | 第24-27页 |
| ·基于模糊综合评价模型的主观评价 | 第24-25页 |
| ·基于信息熵的客观评价 | 第25-26页 |
| ·主客观综合评价 | 第26-27页 |
| ·主客观模糊综合评价的实验分析 | 第27-33页 |
| ·实验数据 | 第27-28页 |
| ·实验及结果分析 | 第28-33页 |
| ·本章小结 | 第33-35页 |
| 第3章 基于流形学习的复杂仿真数据非线性降维研究 | 第35-72页 |
| ·典型流形学习降维方法研究 | 第35-54页 |
| ·流形学习中常用的数学定义 | 第36-38页 |
| ·典型流形学习降维方法 | 第38-44页 |
| ·典型流形学习降维方法的理论分析 | 第44-45页 |
| ·典型流形学习降维方法的实验分析 | 第45-54页 |
| ·仿真增量数据的 K-LTSA 算法研究 | 第54-65页 |
| ·对 KPCA 算法的数学研究 | 第55-60页 |
| ·对 LTSA 算法的数学研究 | 第60-62页 |
| ·对 LTSA 算法的 KPCA 解释 | 第62-63页 |
| ·构建 K-LTSA 算法的核函数 | 第63页 |
| ·K-LTSA 算法框架 | 第63-64页 |
| ·时间复杂度分析 | 第64-65页 |
| ·增量数据的 K-LTSA 算法的实验分析 | 第65-71页 |
| ·实验数据 | 第65-66页 |
| ·实验及结果分析 | 第66-71页 |
| ·本章小结 | 第71-72页 |
| 第4章 基于 MLE 的复杂仿真数据本征维数估计 | 第72-88页 |
| ·复杂仿真数据的本征维数 | 第72-74页 |
| ·MLE 本征维数估计算法的问题分析 | 第74-80页 |
| ·MLE 本征维数估计算法 | 第74-76页 |
| ·MLE 本征维数估计的渐进一致性证明 | 第76-78页 |
| ·MLE 本征维数估计算法的问题分析 | 第78-80页 |
| ·基于 MLE 的本征维数估计算法的改进 | 第80-82页 |
| ·基于测地距离选取邻域的 G-MLE 算法研究 | 第80-82页 |
| ·基于密度修正的 D-MLE 算法研究 | 第82页 |
| ·G-MLE 与 D-MLE 算法的实验及结果分析 | 第82-86页 |
| ·实验数据 | 第82-83页 |
| ·实验及结果分析 | 第83-86页 |
| ·本章小结 | 第86-88页 |
| 第5章 复杂仿真数据可视化聚类方法研究 | 第88-111页 |
| ·可视化聚类 | 第88-89页 |
| ·基于改进雷达图的可视化聚类方法研究 | 第89-95页 |
| ·k-means 算法的基本思想 | 第90-91页 |
| ·优化初始中心点算法 | 第91-92页 |
| ·基于改进雷达图的高维数据可视化 | 第92-94页 |
| ·k-means-B-IRadar 聚类算法 | 第94-95页 |
| ·基于 SOM 的可视化聚类方法研究 | 第95-104页 |
| ·SOM 的基本原理 | 第95-99页 |
| ·基于 SOM 的聚类算法 | 第99-100页 |
| ·SOM 算法的问题分析 | 第100-101页 |
| ·无监督的 RD-SOM 聚类算法研究 | 第101-104页 |
| ·综合聚类评价标准 | 第104-105页 |
| ·实验及结果分析 | 第105-109页 |
| ·k-means-B-IRadar 算法的实验及结果分析 | 第105-107页 |
| ·RD-SOM 算法的实验及结果分析 | 第107-109页 |
| ·本章小结 | 第109-111页 |
| 结论 | 第111-113页 |
| 参考文献 | 第113-121页 |
| 攻读博士学位期间承担的科研任务与主要成果 | 第121-123页 |
| 致谢 | 第123-125页 |
| 作者简介 | 第125页 |