| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 引言 | 第8-11页 |
| ·模式聚类和支持向量机研究现状 | 第8-9页 |
| ·无监督聚类算法和支持向量机结合研究意义 | 第9-10页 |
| ·本文的主要工作 | 第10页 |
| ·本文的章节安排 | 第10-11页 |
| 第二章 无监督聚类算法及其在模式分类中的应用 | 第11-19页 |
| ·层次聚类（HLC） | 第11页 |
| ·划分聚类 | 第11-15页 |
| ·硬C-均值聚类算法（K-means） | 第12-13页 |
| ·模糊C 均值聚类算法（FCM） | 第13-14页 |
| ·其它划分聚类算法 | 第14-15页 |
| ·SOM 聚类(SELF-ORGANIZING MAP) | 第15-16页 |
| ·实验结果分析 | 第16-19页 |
| 第三章 支持向量机结合K-MEANS 在模式分类中的应用 | 第19-36页 |
| ·统计学习理论 | 第19-21页 |
| ·VC 维 | 第19-20页 |
| ·结构风险最小化 | 第20-21页 |
| ·支持向量机基本原理 | 第21-27页 |
| ·线性支持向量机 | 第22-24页 |
| ·非线性支持向量机 | 第24-26页 |
| ·支持向量机中QP 和多类分类问题 | 第26-27页 |
| ·支持向量机结合K-MEANS在模式分类中的应用 | 第27-36页 |
| ·混合模型分类原理 | 第27页 |
| ·混合模型算法流程 | 第27-28页 |
| ·实验结果分析 | 第28-36页 |
| 第四章 支持向量机结合改进的K-MEANS 在模式分类中的应用 | 第36-48页 |
| ·微粒群(PSO)算法 | 第36-39页 |
| ·PSO 算法简介 | 第36-37页 |
| ·PSO 算法数学描述 | 第37-39页 |
| ·基于量子行为的微粒群(QPSO)算法 | 第39-41页 |
| ·QPSO 算法简介 | 第39页 |
| ·QPSO 算法的运算过程 | 第39-41页 |
| ·基于量子行为的微粒群算法和经典微粒群算法的比较 | 第41页 |
| ·改进的K-MEANS 算法 | 第41-45页 |
| ·基于粒子群的K-means 算法 | 第41-42页 |
| ·基于量子粒子群的K-means 算法 | 第42页 |
| ·实验结果分析 | 第42-45页 |
| ·支持向量机结合改进的K-MEANS在模式分类中的应用 | 第45-48页 |
| ·改进的混合模型分类原理 | 第45-46页 |
| ·改进的混合模型算法流程 | 第46页 |
| ·实验结果分析 | 第46-48页 |
| 第五章 结论与展望 | 第48-50页 |
| ·本文工作总结 | 第48页 |
| ·今后工作展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 附录 A 硕士期间发表的论文 | 第54页 |
