| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-22页 |
| 1.1 引言 | 第8-9页 |
| 1.2 RoboCup机器人足球仿真 2D比赛 | 第9-11页 |
| 1.3 RoboCup仿真 2D平台 | 第11-12页 |
| 1.4 RoboCup足球仿真 2D阵型定义 | 第12-13页 |
| 1.5 本课题的选题背景及意义 | 第13-14页 |
| 1.6 阵型识别研究的国内外现状 | 第14-21页 |
| 1.6.1 BP神经网络识别阵型 | 第15-16页 |
| 1.6.2 基于球场不同区域球员之间位置关系来识别阵型 | 第16-20页 |
| 1.6.3 基于聚类和Delaunay三角形模型的识别阵型 | 第20-21页 |
| 1.7 本文的内容和组织结构安排 | 第21-22页 |
| 第二章 聚类分析 | 第22-31页 |
| 2.1 聚类 | 第22-28页 |
| 2.1.1 机器学习概念及发展历程 | 第22-25页 |
| 2.1.2 聚类分析 | 第25-26页 |
| 2.1.3 数据对象相似性度量 | 第26-28页 |
| 2.2 聚类算法 | 第28-31页 |
| 第三章 基于密度峰值聚类阵型识别算法 | 第31-39页 |
| 3.1 算法应用可行性 | 第31-32页 |
| 3.2 基于密度峰值的DPCA聚类算法 | 第32-34页 |
| 3.2.1 算法原理 | 第32-33页 |
| 3.2.2 截断距离 | 第33-34页 |
| 3.3 聚类过程 | 第34-39页 |
| 第四章 阵型识别仿真及实验 | 第39-51页 |
| 4.1 数据 | 第39-43页 |
| 4.1.1 数据来源 | 第39-41页 |
| 4.1.2 数据提取 | 第41-42页 |
| 4.1.3 数据整理与计算步骤 | 第42-43页 |
| 4.2 实验及结果分析 | 第43-50页 |
| 4.2.1 不同大小数据集聚类结果比较 | 第43-48页 |
| 4.2.2 截断距离对实验结果的影响 | 第48-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 附录 攻读学位期间主要研究成果 | 第57-58页 |
| 致谢 | 第58页 |