| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 研究内容和研究方法 | 第15-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第2章 相关知识概述 | 第18-30页 |
| 2.1 聚类分析概述 | 第18-23页 |
| 2.1.1 类的定义及表示 | 第18-19页 |
| 2.1.2 相似性测度 | 第19-20页 |
| 2.1.3 类间的测度函数 | 第20-21页 |
| 2.1.4 常用的聚类策略 | 第21-22页 |
| 2.1.5 聚类的一般步骤 | 第22-23页 |
| 2.2 基于划分的聚类分析方法 | 第23-24页 |
| 2.3 K-means算法 | 第24-28页 |
| 2.3.1 K-means算法的基本原理 | 第24-25页 |
| 2.3.2 K-means算法结构分析 | 第25-27页 |
| 2.3.3 K-means算法的问题分析及现有改进 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 K-means基础算法的改进 | 第30-40页 |
| 3.1 问题提出 | 第30页 |
| 3.2 聚类中心迁移算法 | 第30-36页 |
| 3.2.1 算法提出 | 第30-31页 |
| 3.2.2 算法核心流程 | 第31-34页 |
| 3.2.3 算法核心流程举例 | 第34-35页 |
| 3.2.4 算法总结 | 第35-36页 |
| 3.3 算法复杂度 | 第36-38页 |
| 3.3.1 算法复杂度分析 | 第36-38页 |
| 3.3.2 原始k-means聚类与本文算法的区别 | 第38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 基于联合代价的K-means算法改进 | 第40-50页 |
| 4.1 问题提出 | 第40页 |
| 4.2 CK-means算法 | 第40-43页 |
| 4.2.1 算法提出 | 第40-42页 |
| 4.2.2 对误差平方和准则函数的改进 | 第42-43页 |
| 4.3 算法参数优化 | 第43-47页 |
| 4.3.1 对参数θ_(nk)~l的优化 | 第43-45页 |
| 4.3.2 对参数u_k~l的优化 | 第45-47页 |
| 4.4 算法总结 | 第47页 |
| 4.5 本章小结 | 第47-50页 |
| 第5章 算法实验与分析 | 第50-66页 |
| 5.1 聚类中心迁移算法实验与分析 | 第50-55页 |
| 5.1.1 数据集来自6张真实的图片 | 第50-52页 |
| 5.1.2 实验数据集以及数据中心均匀的分布在超立方体[-1,1]~d上 | 第52-53页 |
| 5.1.3 实验数据集由高斯马尔可夫序列数据集生成 | 第53-55页 |
| 5.1.4 聚类中心迁移算法实验总结 | 第55页 |
| 5.2 CK-means算法实验与分析 | 第55-66页 |
| 5.2.1 用一般的数据集实验 | 第56-62页 |
| 5.2.2 物体辨别实验 | 第62-63页 |
| 5.2.3 CK-means算法的实验总结 | 第63-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 本文工作总结 | 第66页 |
| 6.2 未来研究工作 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-76页 |
| 攻读硕士学位期间的论文和项目情况 | 第76页 |
