高阶异构数据聚类算法研究
| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第1章 绪论 | 第13-31页 |
| 1.1 研究背景及意义 | 第13-16页 |
| 1.2 国内外研究现状 | 第16-27页 |
| 1.2.1 传统的同构数据聚类算法 | 第17-20页 |
| 1.2.2 高阶联合聚类算法 | 第20-26页 |
| 1.2.3 多视角聚类算法 | 第26-27页 |
| 1.3 主要研究内容 | 第27-29页 |
| 1.4 论文组织结构 | 第29-31页 |
| 第2章 星型高阶异构数据层次联合聚类算法 | 第31-50页 |
| 2.1 研究背景 | 第31-32页 |
| 2.2 高阶异构数据联合聚类质量度量 | 第32-35页 |
| 2.3 高阶异构数据联合聚类算法 | 第35-40页 |
| 2.3.1 HHCC算法描述 | 第35-38页 |
| 2.3.2 局部搜索方法 | 第38-40页 |
| 2.3.3 时间复杂度分析 | 第40页 |
| 2.4 实验分析 | 第40-49页 |
| 2.4.1 评价方法 | 第40-41页 |
| 2.4.2 公开标准数据集 | 第41-42页 |
| 2.4.3 结果分析 | 第42-47页 |
| 2.4.4 社会保险审计方法数据集 | 第47-49页 |
| 2.5 本章小结 | 第49-50页 |
| 第3章 高阶异构数据半监督模糊联合聚类算法 | 第50-68页 |
| 3.1 研究背景 | 第50-51页 |
| 3.2 高阶异构数据模糊联合聚类算法 | 第51-57页 |
| 3.2.1 SS-HHFC算法目标函数 | 第52-53页 |
| 3.2.2 迭代更新规则 | 第53-56页 |
| 3.2.3 时间复杂度分析 | 第56页 |
| 3.2.4 收敛性证明 | 第56-57页 |
| 3.3 实验分析 | 第57-67页 |
| 3.3.1 数据集介绍 | 第57-58页 |
| 3.3.2 结果分析 | 第58-65页 |
| 3.3.3 社会保险数据集 | 第65-67页 |
| 3.4 本章小结 | 第67-68页 |
| 第4章 基于加权矩阵分解的异构数据联合聚类算法 | 第68-86页 |
| 4.1 研究背景 | 第68-69页 |
| 4.2 WNMF-HCC算法 | 第69-77页 |
| 4.2.1 模型建立 | 第69-70页 |
| 4.2.2 更新规则 | 第70-73页 |
| 4.2.3 基于WNMF-HCC的离群点挖掘 | 第73-75页 |
| 4.2.4 收敛性证明 | 第75-77页 |
| 4.3 实验分析 | 第77-85页 |
| 4.3.1 数据集介绍 | 第77-80页 |
| 4.3.2 鲁棒性分析 | 第80-82页 |
| 4.3.3 离群点探测分析 | 第82-83页 |
| 4.3.4 参数分析 | 第83页 |
| 4.3.5 收敛性和运行时间分析 | 第83-85页 |
| 4.4 本章小结 | 第85-86页 |
| 第5章 基于PCM的鲁棒多视角聚类算法 | 第86-100页 |
| 5.1 研究背景 | 第86页 |
| 5.2 PCM-MVC算法 | 第86-92页 |
| 5.2.1 目标函数 | 第86-88页 |
| 5.2.2 迭代更新规则 | 第88-90页 |
| 5.2.3 收敛性证明 | 第90-91页 |
| 5.2.4 最佳聚簇数目确定 | 第91-92页 |
| 5.3 实验分析 | 第92-99页 |
| 5.3.1 数据集介绍 | 第92-93页 |
| 5.3.2 鲁棒性分析 | 第93-95页 |
| 5.3.3 聚类准确性分析 | 第95页 |
| 5.3.4 评估指标分析 | 第95-97页 |
| 5.3.5 收敛性分析 | 第97页 |
| 5.3.6 基于用户反馈的三维模型聚类 | 第97-99页 |
| 5.4 本章小结 | 第99-100页 |
| 结论 | 第100-102页 |
| 参考文献 | 第102-118页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第118-119页 |
| 致谢 | 第119页 |
