| 摘要 | 第1-6页 |
| Abstract | 第6-13页 |
| 第一章 绪论 | 第13-27页 |
| ·研究背景 | 第13-14页 |
| ·现有工作回顾 | 第14-22页 |
| ·传统聚类学习 | 第14-15页 |
| ·分布式聚类 | 第15-16页 |
| ·演化聚类 | 第16-17页 |
| ·半监督聚类 | 第17-20页 |
| ·聚类过程和聚类评价标准 | 第20-22页 |
| ·本文的主要研究工作 | 第22-23页 |
| ·本文的内容安排 | 第23-27页 |
| 第二章 分布式约束 K-MEANS 算法 | 第27-51页 |
| ·引言 | 第27页 |
| ·相关工作 | 第27-31页 |
| ·k-means 算法 | 第27-28页 |
| ·Seeded k-means 算法 | 第28-29页 |
| ·PCC 聚类算法 | 第29页 |
| ·并行 k-means 算法 | 第29-31页 |
| ·基于启发信息的分布式 K-MEANS 算法 | 第31-36页 |
| ·背景和动机 | 第31-32页 |
| ·局部簇融合算法 | 第32-34页 |
| ·启发式分布 k-means 算法 | 第34页 |
| ·实验与分析 | 第34-36页 |
| ·约束并行 K-MEANS 算法 | 第36-44页 |
| ·背景和动机 | 第36-37页 |
| ·约束选择和表示 | 第37-38页 |
| ·目标函数及算法 | 第38-41页 |
| ·实验分析 | 第41-44页 |
| ·软约束分布式 K-MEANS 算法 | 第44-50页 |
| ·背景和动机 | 第44-45页 |
| ·约束违反代价 | 第45-46页 |
| ·目标函数 | 第46-47页 |
| ·算法描述 | 第47-49页 |
| ·实验与分析 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第三章 基于高斯混合模型的分布式约束聚类 | 第51-71页 |
| ·引言 | 第51页 |
| ·相关工作 | 第51-53页 |
| ·约束一致高斯混合模型 | 第53-63页 |
| ·基于模型的聚类 | 第53-54页 |
| ·约束一致正则化算子 | 第54-55页 |
| ·正则化模型拟合 | 第55-61页 |
| ·实验结果及分析 | 第61-63页 |
| ·基于约束一致的分布式高斯混合模型 | 第63-69页 |
| ·DCCGMM 模型 | 第63-67页 |
| ·正则化分布式 EM 算法 | 第67-68页 |
| ·实验结果及分析 | 第68-69页 |
| ·本章小结 | 第69-71页 |
| 第四章 基于度量学习的分布式聚类 | 第71-81页 |
| ·引言 | 第71-72页 |
| ·相关工作 | 第72-74页 |
| ·基于度量学习的约束并行 K-MEANS 聚类算法 | 第74-78页 |
| ·目标函数 | 第74-76页 |
| ·MPCPK 算法 | 第76-78页 |
| ·实验分析 | 第78-80页 |
| ·人造数据集 | 第78-79页 |
| ·UCI 数据集 | 第79-80页 |
| ·本章小结 | 第80-81页 |
| 第五章 基于约束聚类框架的演化聚类方法研究 | 第81-99页 |
| ·引言 | 第81-82页 |
| ·符号定义及相关工作 | 第82-85页 |
| ·符号定义 | 第82页 |
| ·演化 k-means | 第82-84页 |
| ·演化谱聚类 | 第84-85页 |
| ·基于约束 K-MEANS 的演化聚类算法 | 第85-91页 |
| ·聚类质量函数 | 第85页 |
| ·历史代价函数 | 第85-87页 |
| ·目标函数 | 第87页 |
| ·算法 | 第87-89页 |
| ·实验分析 | 第89-91页 |
| ·基于约束一致高斯混合模型的演化聚类 | 第91-96页 |
| ·聚类质量函数 | 第92页 |
| ·基于簇标记保持的历史代价函数 | 第92-93页 |
| ·目标函数 | 第93页 |
| ·算法 | 第93-95页 |
| ·实验分析 | 第95-96页 |
| ·本章小结 | 第96-99页 |
| 第六章 总结和展望 | 第99-101页 |
| ·论文总结 | 第99-100页 |
| ·展望 | 第100-101页 |
| 参考文献 | 第101-113页 |
| 致谢 | 第113-114页 |
| 在学期间的研究成果及发表的学术论文 | 第114页 |