量子聚类及其在社团检测中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外的研究及发展 | 第10-14页 |
| ·聚类算法的研究及发展 | 第10-12页 |
| ·量子聚类算法的研究及发展 | 第12-14页 |
| ·论文内容与安排 | 第14-15页 |
| 第二章 利用核熵成分分析的量子聚类算法 | 第15-37页 |
| ·引言 | 第15页 |
| ·量子聚类算法 | 第15-17页 |
| ·利用核熵成分分析的量子聚类算法 | 第17-24页 |
| ·核熵成分分析方法 | 第17-21页 |
| ·K 近邻的量子聚类 | 第21-22页 |
| ·算法描述 | 第22-23页 |
| ·参数设置 | 第23-24页 |
| ·实验结果及分析 | 第24-34页 |
| ·数据集及评价指标 | 第24-27页 |
| ·合成数据和 UCI 数据的实验 | 第27-29页 |
| ·KECA 和 K 近邻对聚类的贡献 | 第29-31页 |
| ·鲁棒性分析 | 第31-32页 |
| ·大规模数据集 | 第32-34页 |
| ·本章小结 | 第34-37页 |
| 第三章 基于量子聚类算法的社团检测 | 第37-53页 |
| ·引言 | 第37页 |
| ·社团检测方法的研究及发展 | 第37-40页 |
| ·社团检测方法举例 | 第38-39页 |
| ·利用谱算法的社团检测 | 第39-40页 |
| ·基于量子聚类算法的社团检测 | 第40-44页 |
| ·结构相似度 | 第40-42页 |
| ·引入邻接信息的量子聚类 | 第42-43页 |
| ·算法描述 | 第43-44页 |
| ·实验结果及分析 | 第44-51页 |
| ·计算机生成网络 | 第45-47页 |
| ·真实世界网络 | 第47-51页 |
| ·本章小结 | 第51-53页 |
| 第四章 基于量子聚类算法的大规模社团检测 | 第53-65页 |
| ·引言 | 第53页 |
| ·基于量子聚类算法的大规模社团检测 | 第53-58页 |
| ·网络粗划分 | 第53-56页 |
| ·Nystr m 方法 | 第56-58页 |
| ·算法描述 | 第58页 |
| ·实验结果及分析 | 第58-63页 |
| ·本章小结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| ·总结 | 第65-66页 |
| ·展望 | 第66-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-75页 |
| 硕士期间成果 | 第75-76页 |
