| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 主要符号对照表 | 第12-13页 |
| 第一章 绪论 | 第13-15页 |
| 1.1 大数据研究 | 第13页 |
| 1.2 序贯分析和高维数据聚类 | 第13-14页 |
| 1.3 文章结构 | 第14-15页 |
| 第二章 大数据预备知识 | 第15-33页 |
| 2.1 常见的聚类方法 | 第15-19页 |
| 2.1.1 k-means聚类 | 第16页 |
| 2.1.2 DBSCAN聚类 | 第16-17页 |
| 2.1.3 AGNES聚类 | 第17页 |
| 2.1.4 谱聚类 | 第17-19页 |
| 2.2 高维数据无监督降维方法 | 第19-24页 |
| 2.2.1 主成分分析方法 | 第19页 |
| 2.2.2 RUFS方法 | 第19-21页 |
| 2.2.3 SOCFS方法 | 第21-24页 |
| 2.3 数据挖掘算法 | 第24-25页 |
| 2.3.1 人工神经网络 | 第24-25页 |
| 2.4 数值优化算法 | 第25-33页 |
| 2.4.1 ADMM算法 | 第25-28页 |
| 2.4.2 线搜索方法 | 第28-33页 |
| 第三章 序贯大数据的预测方法 | 第33-45页 |
| 3.1 问题描述与基本模型 | 第33-35页 |
| 3.1.1 问题描述 | 第33页 |
| 3.1.2 线性模型 | 第33-35页 |
| 3.2 序贯线性回归(SLR)方法 | 第35-39页 |
| 3.2.1 序贯回归 | 第35-36页 |
| 3.2.2 带权重的序贯回归 | 第36-37页 |
| 3.2.3 序贯估计算法 | 第37-38页 |
| 3.2.4 序贯更新算法的收敛性 | 第38-39页 |
| 3.2.5 SLR方法的复杂度分析 | 第39页 |
| 3.3 真实数据实验 | 第39-45页 |
| 3.3.1 数据描述 | 第39-40页 |
| 3.3.2 实验结果 | 第40-45页 |
| 第四章 稀疏自表示神经网络聚类方法 | 第45-59页 |
| 4.1 一般的神经网络求解 | 第45-46页 |
| 4.2 自表示神经网络 | 第46页 |
| 4.3 稀疏自表示神经网络聚类 | 第46-59页 |
| 4.3.1 单隐层的稀疏自表示神经网络聚类(SAENN) | 第47-51页 |
| 4.3.2 模拟数据实验 | 第51-54页 |
| 4.3.3 真实数据实验 | 第54-59页 |
| 第五章 总结 | 第59-61页 |
| 参考文献 | 第61-63页 |
| 致谢 | 第63-65页 |
| 在读期间发表的学术论文与取得的研究成果 | 第65页 |