| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 国内研究现状 | 第13-14页 |
| 1.2.2 国外研究现状 | 第14-17页 |
| 1.3 本文主要研究内容 | 第17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 2 多视角聚类算法的相关知识 | 第19-28页 |
| 2.1 聚类 | 第19-20页 |
| 2.1.1 单视角聚类技术的分类 | 第19-20页 |
| 2.2 多视角聚类技术 | 第20-27页 |
| 2.2.1 基于协同训练的多视角聚类算法 | 第20-22页 |
| 2.2.2 基于多核学习的多视角聚类算法 | 第22-25页 |
| 2.2.3 基于子空间的多视角聚类算法 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 熵加权多视角核k-means聚类算法 | 第28-47页 |
| 3.1 核函数 | 第29-30页 |
| 3.1.1 核函数的性质 | 第29-30页 |
| 3.1.2 常用的核函数 | 第30页 |
| 3.2 信息熵的基本原理 | 第30-32页 |
| 3.2.1 熵的概述 | 第30-31页 |
| 3.2.2 熵的基本性质 | 第31-32页 |
| 3.3 多视角核k-means聚类算法 | 第32-35页 |
| 3.3.1 核k-means聚类算法 | 第32-33页 |
| 3.3.2 多视角核k-means算法 | 第33-35页 |
| 3.4 多视角核k-means算法的收敛性证明与分析 | 第35-44页 |
| 3.4.1 多视角核k-means算法的收敛性证明 | 第36-43页 |
| 3.4.2 多视角核k-means算法的收敛速率分析 | 第43-44页 |
| 3.5 熵加权多视角核k-means算法 | 第44-46页 |
| 3.5.1 熵加权多视角核k-means算法的详细描述 | 第46页 |
| 3.5.2 熵加权多视角核k-means算法的时间复杂度 | 第46页 |
| 3.6 本章小结 | 第46-47页 |
| 4 实验分析 | 第47-56页 |
| 4.1 实验与性能分析 | 第47-48页 |
| 4.1.1 实验数据 | 第47页 |
| 4.1.2 实验环境的建立 | 第47页 |
| 4.1.3 实验评估方法 | 第47-48页 |
| 4.2 实验结果及分析 | 第48-55页 |
| 4.2.1 人工数据集实验 | 第48-50页 |
| 4.2.2 UCI多特征数据集实验 | 第50-52页 |
| 4.2.3 Corel数据集实验 | 第52-55页 |
| 4.3 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 结论 | 第56页 |
| 5.2 工作展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 个人简历、在校期间发表的学术论文与研究成果 | 第62-63页 |
| 致谢 | 第63页 |
