| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景与内容 | 第10页 |
| 1.2 研究意义和方法 | 第10-12页 |
| 1.2.1 聚类结构集成的研究意义 | 第10-11页 |
| 1.2.2 聚类结构集成的应用前景 | 第11页 |
| 1.2.3 原有聚类结构集成算法的不足 | 第11-12页 |
| 1.3 本论文的结构 | 第12-13页 |
| 第二章 相关工作和理论 | 第13-19页 |
| 2.1 聚类集成算法 | 第13-16页 |
| 2.1.1 第一类的研究工作 | 第13-14页 |
| 2.1.2 第二类的研究工作 | 第14页 |
| 2.1.3 第三类的研究工作 | 第14-15页 |
| 2.1.4 第四类的研究工作 | 第15页 |
| 2.1.5 国内研究现状 | 第15-16页 |
| 2.2 基于高斯混合分布聚类结构集成算法 | 第16-18页 |
| 2.2.1 新算法的意义 | 第16-17页 |
| 2.2.2 新算法的介绍 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第三章 基于分布的距离衡量方法 | 第19-24页 |
| 3.1 衡量方法的介绍 | 第19-23页 |
| 3.1.1 两者最近的高斯分布距离(DDM_1) | 第19-20页 |
| 3.1.2 两者最远的高斯分布距离(DDM_2) | 第20页 |
| 3.1.3 两者高斯分布距离的均值(DDM_3) | 第20页 |
| 3.1.4 两者高斯分布距离的权重均值(DDM_4) | 第20页 |
| 3.1.5 两者高斯分布配对组合的距离(DDM_5) | 第20-23页 |
| 3.2 本章小结 | 第23-24页 |
| 第四章 基于分布的聚类结构选择集成 | 第24-36页 |
| 4.1 新算法设计思路 | 第24页 |
| 4.2 新算法的总体框架 | 第24-26页 |
| 4.3 新算法的具体流程 | 第26-35页 |
| 4.3.1 生成子数据集 | 第26页 |
| 4.3.2 高斯混合模型的初始化 | 第26-27页 |
| 4.3.3 高斯混合模型的生成 | 第27-28页 |
| 4.3.4 基于分布的聚类结构选择策略 | 第28-29页 |
| 4.3.5 基于分布的正规化超图切算法 | 第29-32页 |
| 4.3.6 基于分布的正规化图切算法 | 第32-34页 |
| 4.3.7 原始数据集样本的归属 | 第34-35页 |
| 4.4 本章小结 | 第35-36页 |
| 第五章 基于分布的聚类结 | 第36-45页 |
| 5.1 聚类结构递增选择的算法 | 第36页 |
| 5.2 聚类结构递增选择集成算法流程 | 第36-39页 |
| 5.3 递增选择策略(Incremental strategy) | 第39-43页 |
| 5.3.1 短期收益函数(short-reward function) | 第39-41页 |
| 5.3.2 长期收益函数(long-reward function) | 第41页 |
| 5.3.3 递增选择策略流程 | 第41-43页 |
| 5.4 本章小结 | 第43-45页 |
| 第六章 实验测评 | 第45-63页 |
| 6.1 实验设计 | 第45页 |
| 6.2 聚类结果的评价指标 | 第45-46页 |
| 6.3 实验数据说明 | 第46-47页 |
| 6.4 具体实验结果 | 第47-62页 |
| 6.4.1 参数的影响 | 第47-52页 |
| 6.4.2 距离衡量方法与指派准则的组合效果 | 第52-57页 |
| 6.4.3 基于分布的聚类结构选择策略的效果 | 第57-59页 |
| 6.4.4 与聚类算法的比较 | 第59-60页 |
| 6.4.5 与聚类集成算法的比较 | 第60-62页 |
| 6.5 本章小结 | 第62-63页 |
| 第七章 总结 | 第63-65页 |
| 参考文献 | 第65-74页 |
| 攻读硕士学位期间取得的研究成果 | 第74-76页 |
| 致谢 | 第76-77页 |
| 附件 | 第77页 |
