| 摘要 | 第4-6页 |
| 英文摘要 | 第6-14页 |
| 第一章 引言 | 第14-22页 |
| 1.1 研究背景和现实意义 | 第14-17页 |
| 1.1.1 大数据 | 第14-16页 |
| 1.1.2 聚类 | 第16-17页 |
| 1.2 研究现状和难点 | 第17-18页 |
| 1.3 本文的研究目标 | 第18-19页 |
| 1.4 本文的组织结构和主要创新点 | 第19-22页 |
| 1.4.1 本文的组织结构 | 第19-20页 |
| 1.4.2 本文的主要创新点 | 第20-22页 |
| 第二章 研究现状与方法评述 | 第22-34页 |
| 2.1 聚类 | 第22-26页 |
| 2.1.1 传统的聚类 | 第22-24页 |
| 2.1.2 聚类的最新趋势 | 第24-26页 |
| 2.2 k-means聚类 | 第26-31页 |
| 2.2.1 k-means聚类质量 | 第27页 |
| 2.2.2 k-means聚类加速 | 第27-30页 |
| 2.2.3 Two Means树 | 第30-31页 |
| 2.3 KNN Graph | 第31-34页 |
| 第三章 基于KNN Graph的快速k-means聚类 | 第34-54页 |
| 3.1 研究动机 | 第34-35页 |
| 3.2 k-means~#回顾 | 第35页 |
| 3.3 基于KNN Graph的k-means聚类 | 第35-42页 |
| 3.3.1 聚类思想 | 第35-36页 |
| 3.3.2 基于KNN Graph的快速k-means聚类 | 第36-39页 |
| 3.3.3 基于快速k-means聚类的KNN Graph构造 | 第39-41页 |
| 3.3.4 收敛性分析 | 第41页 |
| 3.3.5 KNN Graph分析 | 第41-42页 |
| 3.3.6 时间复杂度分析 | 第42页 |
| 3.4 实验 | 第42-53页 |
| 3.4.1 评价标准 | 第43页 |
| 3.4.2 参数讨论 | 第43-48页 |
| 3.4.3 配置测试 | 第48-49页 |
| 3.4.4 初始化敏感性分析 | 第49页 |
| 3.4.5 聚类质量 | 第49-51页 |
| 3.4.6 图像聚类可扩展性分析 | 第51-53页 |
| 3.5 本章小结 | 第53-54页 |
| 第四章 边缘侵蚀聚类 | 第54-70页 |
| 4.1 边缘侵蚀聚类 | 第54-59页 |
| 4.1.1 研究动机 | 第54-55页 |
| 4.1.2 通过侵蚀生成边缘层次 | 第55-58页 |
| 4.1.3 类标扩展分配 | 第58-59页 |
| 4.2 大规模聚类 | 第59-60页 |
| 4.2.1 近似KNN Graph的大规模聚类 | 第59-60页 |
| 4.2.2 时间复杂度分析 | 第60页 |
| 4.3 实验 | 第60-68页 |
| 4.3.1 人工形状数据聚类 | 第61-63页 |
| 4.3.2 生物数据聚类 | 第63页 |
| 4.3.3 高维数据聚类 | 第63-65页 |
| 4.3.4 大规模图像聚类 | 第65-68页 |
| 4.4 本章小结 | 第68-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 本文的总结 | 第70-71页 |
| 5.2 未来的展望 | 第71-72页 |
| 参考文献 | 第72-80页 |
| 硕士期间参与的科研项目及发表论文 | 第80-82页 |
| 致谢 | 第82页 |
