基于数据质量与势熵的聚类算法研究
| 论文创新点 | 第5-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第11-26页 |
| 1.1 研究背景 | 第11-15页 |
| 1.2 国内外研究现状 | 第15-23页 |
| 1.2.1 聚类算法 | 第15-18页 |
| 1.2.2 国内外研究现状 | 第18-23页 |
| 1.3 文章内容及结构 | 第23-25页 |
| 1.3.1 文章研究内容 | 第23-24页 |
| 1.3.2 文章结构 | 第24-25页 |
| 1.4 本章小结 | 第25-26页 |
| 第二章 数据场基本理论 | 第26-44页 |
| 2.1 由物理场到数据场 | 第26-31页 |
| 2.1.1 不确定性人工智能 | 第26-29页 |
| 2.1.2 数据场的概念 | 第29-31页 |
| 2.2 数量数据场 | 第31-34页 |
| 2.2.1 数据场的势能 | 第31页 |
| 2.2.2 数量数据场的数学性质 | 第31-34页 |
| 2.3 矢量数据场 | 第34-40页 |
| 2.3.1 矢量数据场坐标公式 | 第34-37页 |
| 2.3.2 矢量数据场数学性质 | 第37-40页 |
| 2.4 数据场中哈密顿算子的应用 | 第40-42页 |
| 2.5 本章小结 | 第42-44页 |
| 第三章 数据质量的概念和计算 | 第44-73页 |
| 3.1. 数据质量的概念 | 第44-46页 |
| 3.2. 数据最优质量的计算 | 第46-57页 |
| 3.2.1 目标函数的构建 | 第46-48页 |
| 3.2.2 数据场基本矩阵 | 第48-49页 |
| 3.2.3 最优质量内凸点求解 | 第49-57页 |
| 3.3 非齐次线性方程组求解数据最优质量 | 第57-63页 |
| 3.3.1 数据质量转化思想 | 第57-58页 |
| 3.3.2 转换质量的求解 | 第58-63页 |
| 3.4 基于数据质量的人脸表情识别 | 第63-72页 |
| 3.4.1 人脸表情数据场 | 第63-65页 |
| 3.4.2 基于数据质量的表情特征提取 | 第65-68页 |
| 3.4.3 基于数据质量的人脸表情识别 | 第68-72页 |
| 3.5 本章小结 | 第72-73页 |
| 第四章 基于数据质量的聚类算法 | 第73-96页 |
| 4.1 划分聚类算法 | 第73-77页 |
| 4.1.1 K均值聚类算法 | 第73-76页 |
| 4.1.2 K中心算法 | 第76-77页 |
| 4.2. 基于数据质量的聚类算法 | 第77-79页 |
| 4.2.1 数据质量与聚类中心 | 第77页 |
| 4.2.2 算法描述与算法流程 | 第77-79页 |
| 4.3 实验与结果分析 | 第79-95页 |
| 4.3.1 对比算法和实验数据 | 第79-81页 |
| 4.3.2 对比实验 | 第81-93页 |
| 4.3.3 实验结果分析 | 第93-95页 |
| 4.4 本章小结 | 第95-96页 |
| 第五章 基于势熵的峰值密度聚类算法 | 第96-125页 |
| 5.1 峰值密度聚类算法 | 第96-98页 |
| 5.2 峰值密度聚类算法分析 | 第98-114页 |
| 5.2.1 算法重现 | 第98-100页 |
| 5.2.2 峰值密度聚类的影响因素 | 第100-114页 |
| 5.3 基于势熵的峰值密度聚类算法 | 第114-124页 |
| 5.3.1 数据密度与势能 | 第114-116页 |
| 5.3.2 基于势熵的阈值优化 | 第116-121页 |
| 5.3.3 对比实验 | 第121-124页 |
| 5.4 本章小结 | 第124-125页 |
| 第六章 基于数据场的人脸自动聚类 | 第125-140页 |
| 6.1 人脸自动聚类过程 | 第125-127页 |
| 6.1.1 构造人脸数据场空间 | 第125-126页 |
| 6.1.2 聚类算法选择 | 第126-127页 |
| 6.2. 人脸自动聚类实验 | 第127-135页 |
| 6.2.1 实验数据集 | 第127-128页 |
| 6.2.2 验证实验 | 第128-132页 |
| 6.2.3 对比实验 | 第132-135页 |
| 6.3 实验结果分析 | 第135-139页 |
| 6.4 本章小结 | 第139-140页 |
| 第七章 总结与展望 | 第140-147页 |
| 7.1 总结 | 第140-141页 |
| 7.2 展望 | 第141-146页 |
| 7.2.1 利用数据场叠加主动融合多源数据 | 第141-142页 |
| 7.2.2 利用流形建模高维大数据 | 第142页 |
| 7.2.3 利用时变数据场自组织聚类大数据 | 第142-143页 |
| 7.2.4 利用数据场智能辅助决策 | 第143-145页 |
| 7.2.5 数据挖掘处理方案 | 第145-146页 |
| 7.3 本章小结 | 第146-147页 |
| 参考文献 | 第147-157页 |
| 攻博期间主要科研成果 | 第157-158页 |
| 致谢 | 第158-159页 |
