| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第20-36页 |
| 1.1 研究背景与意义 | 第20-21页 |
| 1.2 模糊聚类算法及本文研究的主要问题 | 第21-24页 |
| 1.2.1 数据集的c划分 | 第21-22页 |
| 1.2.2 模糊C均值聚类算法 | 第22-24页 |
| 1.2.3 本文研究的主要问题 | 第24页 |
| 1.3 模糊C均值算法研究现状 | 第24-28页 |
| 1.3.1 度量方式的研究 | 第24-25页 |
| 1.3.2 聚类目标函数惩罚法 | 第25-27页 |
| 1.3.3 FCM的其它一些扩展 | 第27-28页 |
| 1.4 属性加权模糊聚类的研究现状 | 第28-31页 |
| 1.5 不完整数据聚类的研究现状 | 第31-33页 |
| 1.6 信息粒与本文的主要思路及内容 | 第33-36页 |
| 2 属性权区间化与加权模糊聚类 | 第36-59页 |
| 2.1 引言 | 第36页 |
| 2.2 属性加权模糊C均值算法 | 第36-39页 |
| 2.2.1 基于常值权的加权模糊C均值算法 | 第36-38页 |
| 2.2.2 基于变量权的加权模糊C均值算法 | 第38-39页 |
| 2.3 属性赋权的不确定性及区间属性权 | 第39-43页 |
| 2.4 基于人机结合优化的区间加权模糊C均值算法 | 第43-51页 |
| 2.4.1 区间加权聚类模型与人机结合优化 | 第43-44页 |
| 2.4.2 人机结合策略对收敛性的影响 | 第44-45页 |
| 2.4.3 区间权的极限分析与算法的时间复杂度 | 第45-46页 |
| 2.4.4 实验结果与讨论 | 第46-51页 |
| 2.5 基于混杂优化的区间加权模糊C均值算法 | 第51-58页 |
| 2.5.1 区间加权聚类的混杂优化 | 第52-55页 |
| 2.5.2 算法框架及时间复杂度 | 第55-56页 |
| 2.5.3 实验结果与讨论 | 第56-58页 |
| 2.6 本章小结 | 第58-59页 |
| 3 基于缺失值区间填补的不完整数据模糊聚类 | 第59-89页 |
| 3.1 引言 | 第59页 |
| 3.2 不完整数据聚类的模糊C均值算法 | 第59-62页 |
| 3.2.1 完整数据策略 | 第60页 |
| 3.2.2 局部距离策略 | 第60-61页 |
| 3.2.3 优化完整策略 | 第61-62页 |
| 3.2.4 最近原型策略 | 第62页 |
| 3.3 缺失值填补的不确定性与区间填补 | 第62-63页 |
| 3.4 缺失值区间填补聚类与区间属性权聚类的类比求解 | 第63-69页 |
| 3.5 不完整数据的区间核模糊C均值聚类算法 | 第69-88页 |
| 3.5.1 核模糊C均值算法 | 第69-71页 |
| 3.5.2 不完整数据聚类的核模糊C均值算法 | 第71-72页 |
| 3.5.3 区间数据聚类的模糊C均值算法 | 第72-73页 |
| 3.5.4 区间数据聚类算法的核化 | 第73-78页 |
| 3.5.5 KIFCM与IFCM的关联 | 第78-79页 |
| 3.5.6 算法的收敛性与时间复杂度 | 第79-80页 |
| 3.5.7 实验结果与讨论 | 第80-88页 |
| 3.6 本章小结 | 第88-89页 |
| 4 基于缺失值概率信息粒的不完整数据模糊聚类 | 第89-118页 |
| 4.1 引言 | 第89页 |
| 4.2 缺失值的概率信息粒 | 第89-91页 |
| 4.3 基于概率信息粒的不完整数据模糊C均值聚类 | 第91-98页 |
| 4.3.1 基于概率信息粒的不完整数据聚类模型 | 第91-93页 |
| 4.3.2 PIFCM聚类的优化完整策略 | 第93-96页 |
| 4.3.3 PIFCM聚类算法的极限分析 | 第96-97页 |
| 4.3.4 算法的收敛性与时间复杂度 | 第97-98页 |
| 4.4 实验研究 | 第98-116页 |
| 4.4.1 针对单一属性值缺失的测试 | 第98-103页 |
| 4.4.2 针对不同缺失率下合成数据集的实验结果与讨论 | 第103-111页 |
| 4.4.3 针对不同缺失率下实际数据集的实验结果与讨论 | 第111-116页 |
| 4.5 本章小结 | 第116-118页 |
| 5 基于邻域粒和重构数据的完整数据模糊聚类 | 第118-150页 |
| 5.1 引言 | 第118-119页 |
| 5.2 数据的邻域粒与数据重构 | 第119-120页 |
| 5.3 基于邻域粒内重构数据的模糊C均值聚类 | 第120-123页 |
| 5.3.1 聚类模型 | 第120-121页 |
| 5.3.2 聚类目标函数的交替优化 | 第121-123页 |
| 5.4 算法分析 | 第123-124页 |
| 5.4.1 算法的收敛性与时间复杂度 | 第123页 |
| 5.4.2 关于增益因子的讨论 | 第123-124页 |
| 5.5 实验研究 | 第124-139页 |
| 5.5.1 针对合成数据集的实验研究 | 第125-133页 |
| 5.5.2 在实际数据集上的实验验证 | 第133-139页 |
| 5.6 针对盾构施工监控数据的聚类分析 | 第139-149页 |
| 5.6.1 聚类结果及可解释性 | 第139-147页 |
| 5.6.2 类原型的可代表性 | 第147-149页 |
| 5.7 本章小结 | 第149-150页 |
| 6 结论与展望 | 第150-154页 |
| 6.1 结论 | 第150-152页 |
| 6.2 创新点 | 第152页 |
| 6.3 展望 | 第152-154页 |
| 参考文献 | 第154-167页 |
| 攻读博士学位期间科研项目及科研成果 | 第167-168页 |
| 致谢 | 第168-170页 |
| 作者简介 | 第170页 |
