高伸缩性聚类分析方法研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-28页 |
| ·研究背景及意义 | 第12-13页 |
| ·国内外研究现状 | 第13-26页 |
| ·研究内容 | 第26页 |
| ·论文结构 | 第26-28页 |
| 第2章 经典聚类分割算法分析 | 第28-44页 |
| ·引言 | 第28页 |
| ·k-means 划分聚类算法 | 第28-31页 |
| ·层次聚类算法 | 第31-32页 |
| ·谱聚类算法 | 第32-38页 |
| ·谱图理论 | 第32-34页 |
| ·图划分及图划分准则 | 第34-38页 |
| ·谱聚类算法结构 | 第38页 |
| ·近邻传播聚类算法 | 第38-41页 |
| ·其它聚类算法 | 第41-43页 |
| ·基于模型的聚类算法 | 第41页 |
| ·基于密度的聚类算法 | 第41页 |
| ·基于神经网络的聚类算法 | 第41-42页 |
| ·基于群的聚类算法 | 第42页 |
| ·基于粒度的聚类算法 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第3章 基于数据切分与划分的聚类方法 | 第44-59页 |
| ·DP 基本思想 | 第44-45页 |
| ·数据切分方法 | 第45-46页 |
| ·数据的特征选择 | 第46-48页 |
| ·确定特征对应样本集 | 第46-47页 |
| ·确定块内对应样本个数 | 第47-48页 |
| ·数据的特征聚合 | 第48-49页 |
| ·数据集划分方法 | 第49-50页 |
| ·DP 的计算复杂度分析 | 第50-53页 |
| ·空间复杂度分析 | 第50-52页 |
| ·时间复杂度分析 | 第52-53页 |
| ·仿真实验与结果分析 | 第53-57页 |
| ·数据分块数与聚类结果关系 | 第53-54页 |
| ·小数据集的对比实验 | 第54-56页 |
| ·大数据集的对比实验 | 第56-57页 |
| ·本章小结 | 第57-59页 |
| 第4章 基于均值径向压缩的划分聚类方法 | 第59-79页 |
| ·相关定义 | 第59-64页 |
| ·径向压缩 | 第59-60页 |
| ·质心合并 | 第60-62页 |
| ·径向压缩策略 | 第62-64页 |
| ·径向压缩聚类方法 | 第64-67页 |
| ·大数据集的划分 | 第64-65页 |
| ·小数据集的径向压缩 | 第65-66页 |
| ·逐级径向压缩 | 第66-67页 |
| ·MRC 计算复杂度分析 | 第67-69页 |
| ·MRC 空间复杂度分析 | 第67-68页 |
| ·MRC 时间复杂度分析 | 第68-69页 |
| ·仿真实验与结果分析 | 第69-78页 |
| ·数据切分数目的选择 | 第69-71页 |
| ·MRC 径向压缩效果 | 第71-74页 |
| ·小数据集上的对比实验 | 第74-76页 |
| ·大数据集上的对比实验 | 第76-77页 |
| ·MRC 聚类方法的通用性分析 | 第77-78页 |
| ·本章小结 | 第78-79页 |
| 第5章 基于最小距离谱的可视化聚类分析方法 | 第79-97页 |
| ·相关工作 | 第79-80页 |
| ·MinDS 原理 | 第80-84页 |
| ·MinDS 模型 | 第81-83页 |
| ·MinDS 特征 | 第83页 |
| ·MinDS 的复杂度分析 | 第83-84页 |
| ·聚类思想 | 第84-91页 |
| ·利用 MinDS 聚类拥有边界的数据集 | 第85-86页 |
| ·利用 MinDS 聚类没有明确边界的数据集 | 第86-88页 |
| ·数据的边缘腐蚀方法 | 第88-91页 |
| ·用 MinDS 处理噪声 | 第91-92页 |
| ·用 MinDS 识别孤立点 | 第92-93页 |
| ·利用 MinDS 评估聚类能力 | 第93-95页 |
| ·本章小结 | 第95-97页 |
| 结论 | 第97-99页 |
| 参考文献 | 第99-111页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第111-112页 |
| 致谢 | 第112页 |
