| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 表格目录 | 第13-14页 |
| 插图目录 | 第14-15页 |
| 第一章 绪论 | 第15-34页 |
| ·课题背景及意义 | 第15-17页 |
| ·聚类 | 第17-26页 |
| ·基本定义 | 第17页 |
| ·相似性度量 | 第17-19页 |
| ·聚类算法介绍 | 第19-24页 |
| ·聚类算法有效性检验 | 第24-25页 |
| ·聚类算法的进一步研究 | 第25-26页 |
| ·集成学习 | 第26-30页 |
| ·集成学习的原因 | 第26-27页 |
| ·常见集成学习算法 | 第27-28页 |
| ·集成聚类 | 第28-30页 |
| ·在高维数据上聚类的难点 | 第30-31页 |
| ·研究目标、内容及创新点 | 第31-33页 |
| ·本文的组织 | 第33-34页 |
| 第二章 样本加权的集成聚类算法 | 第34-58页 |
| ·相关工作 | 第34-37页 |
| ·集成聚类方法概述 | 第36-37页 |
| ·与相关工作的不同之处 | 第37页 |
| ·样本加权的集成聚类算法 | 第37-46页 |
| ·集成聚类问题描述 | 第37-38页 |
| ·一次性样本赋权方法 | 第38-39页 |
| ·三种基于样本加权的集成聚类技术 | 第39-45页 |
| ·样本加权的 k-means 算法 | 第45-46页 |
| ·实验设置 | 第46-48页 |
| ·数据集 | 第46页 |
| ·评价方法 | 第46-48页 |
| ·基聚类的生成 | 第48页 |
| ·实验结果与分析 | 第48-55页 |
| ·人造数据集的实验结果 | 第49-50页 |
| ·真实数据集的实验结果 | 第50-53页 |
| ·与 WSPA 和 WBPA 的对比实验结果 | 第53页 |
| ·对比 k-means 和 WOKmeans 的实验结果 | 第53-54页 |
| ·参数 t 的敏感性分析 | 第54-55页 |
| ·基聚类数 R 的敏感性分析 | 第55页 |
| ·时间序列和基因表达数据集上的实验结果 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 第三章 加权的自适应均值偏移聚类算法 | 第58-77页 |
| ·相关工作 | 第58-60页 |
| ·Mean Shift 算法概述 | 第59页 |
| ·子空间聚类概述 | 第59-60页 |
| ·与相关工作的不同之处 | 第60页 |
| ·加权的自适应均值偏移聚类算法 | 第60-67页 |
| ·自适应均值偏移聚类算法 | 第60-61页 |
| ·加权距离和加权带宽 | 第61-65页 |
| ·加权的自适应均值偏移聚类算法 | 第65页 |
| ·快速的 WAMS 算法 | 第65-67页 |
| ·实验设置 | 第67-69页 |
| ·数据集 | 第67-69页 |
| ·评价方法 | 第69页 |
| ·参数设置 | 第69页 |
| ·实验结果与分析 | 第69-76页 |
| ·人造数据集的实验结果 | 第69-71页 |
| ·子空间分析 | 第71-73页 |
| ·真实数据集的实验结果 | 第73-75页 |
| ·参数 k 的敏感性分析 | 第75页 |
| ·F-WAMS 的实验结果 | 第75-76页 |
| ·本章小结 | 第76-77页 |
| 第四章 增强的均值偏移聚类算法 | 第77-95页 |
| ·相关工作 | 第77-80页 |
| ·基于密度的聚类算法概述 | 第78-79页 |
| ·Boosting 技术概述 | 第79-80页 |
| ·与相关工作的不同之处 | 第80页 |
| ·增强的均值偏移聚类算法 | 第80-86页 |
| ·均值偏移聚类算法 | 第81-82页 |
| ·增强的均值偏移聚类算法 | 第82-86页 |
| ·实验设置 | 第86-88页 |
| ·数据集 | 第86-87页 |
| ·评价方法 | 第87页 |
| ·参数设置 | 第87-88页 |
| ·实验结果与分析 | 第88-93页 |
| ·人造数据集的实验结果 | 第88-90页 |
| ·真实数据集的实验结果 | 第90-91页 |
| ·BMSC 算法的性能分析 | 第91-92页 |
| ·参数α和 Eps 的敏感性分析 | 第92-93页 |
| ·讨论 | 第93页 |
| ·本章小结 | 第93-95页 |
| 结论与展望 | 第95-97页 |
| 参考文献 | 第97-107页 |
| 攻读博士学位期间取得的研究成果 | 第107-109页 |
| 致谢 | 第109-110页 |
| 附件 | 第110页 |