| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 K-medoids聚类算法研究现状及存在问题 | 第10页 |
| 1.2.2 图聚类算法研究现状及存在的问题 | 第10-11页 |
| 1.2.3 基于谱聚类的无监督特征选择研究现状及存在问题 | 第11-12页 |
| 1.3 本文的主要内容及结构安排 | 第12-13页 |
| 第2章 基于测地距离和Fr指标的快速K-medoids算法 | 第13-27页 |
| 2.1 新算法提出的背景和思路 | 第13-14页 |
| 2.2 K-medoids聚类算法介绍 | 第14-15页 |
| 2.2.1 传统K-medoids算法 | 第14页 |
| 2.2.2 快速K-medoids算法 | 第14-15页 |
| 2.3 改进的快速K-medoids聚类算法 | 第15-18页 |
| 2.3.1 相关定义介绍 | 第15-16页 |
| 2.3.2 本文K-medoids算法 | 第16-17页 |
| 2.3.3 算法复杂度分析 | 第17-18页 |
| 2.4 实验结果与分析 | 第18-26页 |
| 2.4.1 UCI数据集实验 | 第18-21页 |
| 2.4.2 人工模拟数据集实验 | 第21-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于样本局部标准差的谱聚类算法 | 第27-47页 |
| 3.1 新算法提出的背景和思路 | 第27页 |
| 3.2 谱聚类算法介绍 | 第27-29页 |
| 3.2.1 谱聚类相关概念 | 第27-28页 |
| 3.2.2 NJW聚类算法 | 第28页 |
| 3.2.3 Self-Tuning谱聚类算法 | 第28-29页 |
| 3.3 SCSD谱聚类算法 | 第29-30页 |
| 3.3.1 SCSD谱聚类算法 | 第29-30页 |
| 3.3.2 算法复杂度分析 | 第30页 |
| 3.4 实验结果与分析 | 第30-44页 |
| 3.4.1 数据集描述 | 第31页 |
| 3.4.2 三个聚类评价指标 | 第31-32页 |
| 3.4.3 UCI数据集实验 | 第32-34页 |
| 3.4.4 人工数据集实验 | 第34-41页 |
| 3.4.5 噪声数据集实验 | 第41-44页 |
| 3.5 本章小结 | 第44-47页 |
| 第4章 一种新的谱特征选择算法及应用 | 第47-65页 |
| 4.1 新算法提出的背景和思路 | 第47-48页 |
| 4.2 相关定义 | 第48-50页 |
| 4.3 FSSC谱特征选择算法 | 第50-51页 |
| 4.3.1 算法创新点 | 第50页 |
| 4.3.2 算法步骤 | 第50-51页 |
| 4.3.3 算法复杂度分析 | 第51页 |
| 4.4 实验结果与分析 | 第51-63页 |
| 4.4.1 实验设计 | 第51-52页 |
| 4.4.2 基因数据集描述 | 第52页 |
| 4.4.3 五个分类性能评价指标 | 第52-54页 |
| 4.4.4 基因数据实验结果及分析 | 第54-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 论文的工作总结 | 第65-66页 |
| 5.2 存在的问题与展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-75页 |
| 攻读硕士学位期间的研究成果 | 第75页 |
