基于主动学习的高维数据聚类算法研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 高维数据聚类研究背景 | 第8页 |
| 1.1.2 主动学习的研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 高维数据聚类研究现状 | 第9-10页 |
| 1.2.2 主动学习的研究现状 | 第10-11页 |
| 1.3 本文研究内容及组织结构 | 第11-13页 |
| 第二章 相关工作综述 | 第13-25页 |
| 2.1 主动学习算法简介 | 第13-16页 |
| 2.1.1 主动学习的应用场景 | 第13页 |
| 2.1.2 主动学习的查询策略 | 第13-16页 |
| 2.2 高维数据聚类简介 | 第16-20页 |
| 2.2.1 高维数据维度灾难 | 第16-17页 |
| 2.2.2 高维数据对聚类的影响 | 第17-18页 |
| 2.2.3 高维数据聚类算法 | 第18-20页 |
| 2.3 高维数据的hubness特性 | 第20-21页 |
| 2.3.1 Hubness定义 | 第20-21页 |
| 2.3.2 Hubness在聚类中的应用 | 第21页 |
| 2.4 半监督聚类 | 第21-22页 |
| 2.5 实验数据及实验测试方案 | 第22-24页 |
| 2.5.1 实验数据 | 第22-23页 |
| 2.5.2 实验测试方案 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于主动学习的K-Hub聚类算法 | 第25-40页 |
| 3.1 K-Hub聚类算法 | 第25页 |
| 3.2 Hubness得分 | 第25-26页 |
| 3.3 K-Hub聚类算法的不足 | 第26-27页 |
| 3.4 基于主动学习的K-Hub聚类算法 | 第27-31页 |
| 3.4.1 ASPCC算法 | 第27-29页 |
| 3.4.2 改进的ASPCC算法HASPCC | 第29-30页 |
| 3.4.3 改进后的K-Hub聚类算法 | 第30-31页 |
| 3.5 实验及分析 | 第31-39页 |
| 3.5.1 聚类准确率比较 | 第31-33页 |
| 3.5.2 时间复杂度分析 | 第33-34页 |
| 3.5.3 近邻数K的影响 | 第34-36页 |
| 3.5.4 N取值的影响 | 第36-37页 |
| 3.5.5 询问次数的影响 | 第37-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 基于ASC的主动学习策略及其改进 | 第40-52页 |
| 4.1 ASC算法的提出 | 第40页 |
| 4.2 主动学习策略简介 | 第40-43页 |
| 4.2.1 确定候选关联限制集合 | 第41-42页 |
| 4.2.2 扩展关联限制集合与精简候选集 | 第42页 |
| 4.2.3 ASC算法的基本步骤 | 第42-43页 |
| 4.3 改进的ASC算法 | 第43-44页 |
| 4.3.1 ASC算法的缺点 | 第43-44页 |
| 4.3.2 改进的ASC算法HASC | 第44页 |
| 4.4 实验及分析 | 第44-51页 |
| 4.4.1 聚类准确率比较 | 第44-46页 |
| 4.4.2 近邻数K的影响 | 第46-48页 |
| 4.4.3 参数N的影响 | 第48-49页 |
| 4.4.4 询问次数的影响 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 两阶段的基于Hub的主动学习算法 | 第52-57页 |
| 5.1 问题描述 | 第52页 |
| 5.2 两阶段的基于Hub的主动学习策略 | 第52-53页 |
| 5.3 实验及分析 | 第53-56页 |
| 5.4 本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 个人简历 | 第64页 |
| 在学期间的研究成果及发表的学术论文 | 第64页 |
