| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 论文研究背景及意义 | 第11-12页 |
| 1.2 国内外现状及趋势 | 第12-16页 |
| 1.2.1 聚类算法的分类 | 第12页 |
| 1.2.2 基于划分的聚类算法 | 第12-13页 |
| 1.2.3 基于密度的聚类算法 | 第13-14页 |
| 1.2.4 基于网格的聚类算法 | 第14页 |
| 1.2.5 基于网格和密度结合的聚类算法 | 第14-15页 |
| 1.2.6 基于模糊划分的聚类算法 | 第15-16页 |
| 1.2.7 传感器的非线性系统辨识 | 第16页 |
| 1.3 论文结构 | 第16-18页 |
| 第2章 基于密度和网格的聚类算法 | 第18-29页 |
| 2.1 数据挖掘简介 | 第18页 |
| 2.2 聚类分析技术 | 第18-19页 |
| 2.3 DBSCAN与CLIQUE结合的网格密度算法 | 第19-22页 |
| 2.3.1 DBSCAN算法 | 第19页 |
| 2.3.2 CLIQUE算法 | 第19-20页 |
| 2.3.3 DBSCAN和CLIQUE结合的算法 | 第20-22页 |
| 2.3.4 分区聚类 | 第22页 |
| 2.4 基于DBSCAN和CLIQUE结合算法的缺陷 | 第22-23页 |
| 2.5 快速搜索和发现密度峰值算法(DPC) | 第23-26页 |
| 2.6 DPC聚类的缺陷 | 第26-28页 |
| 2.7 本章总结 | 第28-29页 |
| 第3章 基于网格和密度峰值的GADPC聚类 | 第29-49页 |
| 3.1 GADPC基本思想 | 第29页 |
| 3.2 创建网格划分 | 第29-30页 |
| 3.3 计算网格密度和距离值 | 第30-31页 |
| 3.4 自动确定聚类中心 | 第31-32页 |
| 3.5 聚类合并 | 第32页 |
| 3.6 处理边缘点和噪声点 | 第32-35页 |
| 3.7 聚类步骤总结 | 第35-37页 |
| 3.8 算法复杂度分析 | 第37-38页 |
| 3.9 实验结果及分析 | 第38-47页 |
| 3.9.1 实验环境 | 第38页 |
| 3.9.2 评价指标 | 第38-39页 |
| 3.9.3 实验结果 | 第39-47页 |
| 3.10 本章总结 | 第47-49页 |
| 第4章 基于GADPC算法的传感器非线性系统辨识 | 第49-66页 |
| 4.1 应用背景 | 第49页 |
| 4.2 传感器的故障诊断 | 第49-50页 |
| 4.3 传感器非线性的动态特性 | 第50-51页 |
| 4.4 基于数据驱动的思想 | 第51页 |
| 4.5 非线性系统建模 | 第51页 |
| 4.6 基于聚类算法的系统辨识方法 | 第51-52页 |
| 4.7 传感器故障检测仿真实验 | 第52-60页 |
| 4.7.1 设置传感器故障 | 第53-54页 |
| 4.7.2 基于改进GADPC聚类的模型前件结构和参数辨识 | 第54-55页 |
| 4.7.3 基于聚类和传统的KNN分类器的传感器故障诊断比较 | 第55-56页 |
| 4.7.4 模型的后件参数的辨识 | 第56-57页 |
| 4.7.5 辨识故障的类型 | 第57-59页 |
| 4.7.6 多传感器模式判别方案 | 第59-60页 |
| 4.8 利用聚类分析判断系统工作状态 | 第60-64页 |
| 4.8.1 实验环境 | 第60-61页 |
| 4.8.2 聚类的数据准备 | 第61-62页 |
| 4.8.3 数据动态聚类建模 | 第62页 |
| 4.8.4 聚类结果分析 | 第62-63页 |
| 4.8.5 系统辨识与建模 | 第63-64页 |
| 4.9 本章总结 | 第64-66页 |
| 第5章 结论与展望 | 第66-68页 |
| 5.1 结论 | 第66页 |
| 5.2 主要创新点 | 第66-67页 |
| 5.3 展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71-72页 |
| 攻读学位期间参加的科研项目和成果 | 第72页 |
