基于流形学习的数据聚类与可视化
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景 | 第7页 |
| ·国内外研究现状 | 第7-12页 |
| ·聚类分析的研究现状 | 第7-10页 |
| ·数据约简的研究现状 | 第10-12页 |
| ·本文研究内容安排 | 第12-13页 |
| 第二章 聚类 | 第13-23页 |
| ·常用的聚类分析算法 | 第13-15页 |
| ·层次聚类算法 | 第13-14页 |
| ·划分聚类算法 | 第14-15页 |
| ·基于网格和密度的聚类方法 | 第15页 |
| ·谱聚类算法 | 第15-19页 |
| ·图划分准则 | 第16-18页 |
| ·NJW 谱聚类的算法 | 第18-19页 |
| ·Self-tuning 谱聚类的算法 | 第19页 |
| ·实验仿真与分析 | 第19-21页 |
| ·人工合成数据介绍 | 第19-20页 |
| ·人工合成数据可视化 | 第20-21页 |
| ·本章小结 | 第21-23页 |
| 第三章 基于流形学习理论的聚类 | 第23-45页 |
| ·主成分分析 | 第23-24页 |
| ·拉普拉斯映射法 LE 和局部保持投影 | 第24-28页 |
| ·拉普拉斯映射法（LE） | 第24-26页 |
| ·局部保持投影 | 第26-28页 |
| ·融合多样性和相似性嵌入的流形学习 | 第28-34页 |
| ·多样性邻接图 | 第28-29页 |
| ·相似信息邻接图 | 第29-30页 |
| ·特征提取准则 | 第30-32页 |
| ·算法分析 | 第32-33页 |
| ·K-means 聚类 | 第33-34页 |
| ·实验分析 | 第34-44页 |
| ·语料库的介绍 | 第34-35页 |
| ·聚类评价指标 | 第35-36页 |
| ·实验仿真与分析 | 第36-42页 |
| ·实验性能分析 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 基于判别嵌入的半监督聚类方法 | 第45-59页 |
| ·MFA 算法分析 | 第45-48页 |
| ·判别嵌入聚类分析 | 第48-54页 |
| ·算法思想 | 第48页 |
| ·类内局部信息描述 | 第48-50页 |
| ·类间边缘信息描述 | 第50-51页 |
| ·判别投影准则 | 第51-53页 |
| ·K-means 聚类 | 第53-54页 |
| ·实验分析和可视化 | 第54-58页 |
| ·实验仿真和分析 | 第54-57页 |
| ·UCI 数据集上的可视化实验 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| ·总结 | 第59-60页 |
| ·展望 | 第60-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 研究成果 | 第69-70页 |
