| 作者简介 | 第1-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-19页 |
| ·研究背景和意义 | 第11-12页 |
| ·研究现状 | 第12-17页 |
| ·模糊聚类算法研究现状 | 第12-15页 |
| ·线性判别分析研究现状 | 第15-16页 |
| ·基于线性判别分析的自适应判别降维聚类算法研究现状 | 第16-17页 |
| ·符号约定 | 第17页 |
| ·本文主要内容和章节安排 | 第17-19页 |
| 第二章 基于模糊线性判别分析的模糊紧性分离性聚类算法 | 第19-35页 |
| ·线性判别分析引导的自适应子空间硬 c-均值聚类算法 | 第19-21页 |
| ·硬 c-均值聚类与线性判别分析 | 第19-20页 |
| ·线性判别分析引导的自适应子空间硬 c-均值聚类算法 | 第20-21页 |
| ·基于模糊线性判别分析的模糊紧性分离性聚类算法 | 第21-29页 |
| ·模糊散布矩阵与模糊紧性分离性聚类算法 | 第21-23页 |
| ·基于模糊线性判别分析的半模糊聚类算法 | 第23-25页 |
| ·基于模糊线性判别分析的模糊紧性分离性聚类算法 | 第25-29页 |
| ·实验结果及分析 | 第29-34页 |
| ·实验设置 | 第29-30页 |
| ·实验 1 人造数据 | 第30-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 基于模糊线性判别分析的最大熵模糊聚类算法 | 第35-53页 |
| ·最大熵模糊聚类算法 | 第35-36页 |
| ·模糊线性判别分析 | 第36-38页 |
| ·模糊散布矩阵：一个新形式 | 第36-37页 |
| ·模糊线性判别分析 | 第37-38页 |
| ·基于模糊线性判别分析的最大熵模糊聚类算法 | 第38-41页 |
| ·算法思想 | 第38-40页 |
| ·算法步骤与收敛性分析 | 第40-41页 |
| ·实验与分析 | 第41-46页 |
| ·实验设置 | 第41-42页 |
| ·参数的敏感性研究 | 第42-45页 |
| ·聚类结果评价 | 第45-46页 |
| ·本章小结 | 第46-53页 |
| 第四章 基于模糊最大散度差判别准则的自适应判别降维模糊聚类算法 | 第53-73页 |
| ·基于模糊最大散度差判别准则的模糊紧性分离性聚类算法 | 第53-61页 |
| ·最大散度差判别准则与最大类间距离准则 | 第53-54页 |
| ·基于模糊最大散度差判别准则的聚类方法：FMSDCA | 第54-56页 |
| ·基于模糊最大散度差判别准则的模糊紧性分离性聚类算法 | 第56-58页 |
| ·实验结果与分析 | 第58-61页 |
| ·基于模糊最大散度差判别准则的最大熵模糊聚类算法 | 第61-70页 |
| ·模糊最大散度差判别准则：一个新形式 | 第61-62页 |
| ·基于模糊最大散度差判别准则的最大熵模糊聚类算法 | 第62-65页 |
| ·实验结果与分析 | 第65-70页 |
| ·本章小结 | 第70-73页 |
| 第五章 鲁棒的局部特征加权硬 c-均值聚类算法 | 第73-95页 |
| ·局部特征加权硬 c-均值聚类与 Alternative 硬 c-均值聚类 | 第73-76页 |
| ·局部特征加权硬 c-均值聚类算法 | 第73-75页 |
| ·Alternative 硬 c-均值聚类算法 | 第75-76页 |
| ·鲁棒的局部特征加权硬 c-均值聚类算法 | 第76-90页 |
| ·算法推导 | 第76-83页 |
| ·算法鲁棒性分析 | 第83-84页 |
| ·实验结果及分析 | 第84-90页 |
| ·本章小结 | 第90-95页 |
| 第六章 总结与展望 | 第95-97页 |
| ·总结 | 第95页 |
| ·展望 | 第95-97页 |
| 致谢 | 第97-99页 |
| 参考文献 | 第99-107页 |
| 攻读博士学位期间的研究成果 | 第107-109页 |
| 学术论文 | 第107-108页 |
| 参加研究的科研项目 | 第108-109页 |
