| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状及趋势 | 第12-16页 |
| 1.2.1 聚类集成研究现状及趋势 | 第13-15页 |
| 1.2.2 膜计算研究现状及趋势 | 第15-16页 |
| 1.2.3 膜计算与聚类分析的研究现状及趋势 | 第16页 |
| 1.3 理论概述 | 第16-21页 |
| 1.3.1 聚类集成概述 | 第16-19页 |
| 1.3.2 膜计算概述 | 第19-21页 |
| 1.4 论文主要研究内容及组织结构 | 第21-23页 |
| 第2章 基于互信息的K-means聚类集成算法(WIKCC) | 第23-31页 |
| 2.1 基于K-means的聚类集成算法(KCC) | 第23-25页 |
| 2.2 基于互信息改进的K-means聚类集成算法(WIKCC) | 第25-27页 |
| 2.2.1 互信息理论(NMI) | 第25-26页 |
| 2.2.2 基于NMI的K-means聚类集成算法 | 第26-27页 |
| 2.3 WIKCC算法影响因素分析 | 第27-29页 |
| 2.3.1 实验数据与评价指标 | 第27-28页 |
| 2.3.2 影响因素分析 | 第28-29页 |
| 2.4 WIKCC算法的性能分析 | 第29-31页 |
| 第3章 基于细胞型P系统的GA聚类集成算法(GMEAEC) | 第31-43页 |
| 3.1 基于微簇改进的GA聚类集成算法(MGAEC) | 第31-35页 |
| 3.1.1 遗传算法 | 第31-32页 |
| 3.1.2 基于微簇编码方式设计 | 第32-33页 |
| 3.1.3 函数设计 | 第33-34页 |
| 3.1.4 MGAEC聚类集成算法的基本流程 | 第34-35页 |
| 3.2 基于细胞型P系统的MGAEC算法(GMEAEC)设计 | 第35-38页 |
| 3.2.1 细胞型P系统规则设计 | 第35-37页 |
| 3.2.2 细胞型P系统结构设计 | 第37-38页 |
| 3.2.3 基于细胞型P系统的GMEAEC算法流程 | 第38页 |
| 3.3 实验分析与比较 | 第38-43页 |
| 3.3.1 实验数据与参数设计 | 第38-39页 |
| 3.3.2 GMEAEC算法性能比较 | 第39-41页 |
| 3.3.3 GMEAEC的鲁棒性分析 | 第41-43页 |
| 第4章 WIKCC聚类集成算法在图像分割中的应用 | 第43-51页 |
| 4.1 图像分割问题 | 第43-45页 |
| 4.1.1 图像分割 | 第43-44页 |
| 4.1.2 图像分割的研究方法 | 第44-45页 |
| 4.2 基于聚类集成的图像分割技术 | 第45-48页 |
| 4.2.1 聚类集成应用于图像分割技术原理 | 第46-47页 |
| 4.2.2 聚类集成应用于图像分割中的特征属性 | 第47-48页 |
| 4.3 实验分析与比较 | 第48-51页 |
| 4.3.1 实验数据与参数设计 | 第48页 |
| 4.3.2 WIKCC算法在图像分割中的实验对比分析 | 第48-51页 |
| 第5章 GMEAEC聚类集成算法在智能导诊中的应用 | 第51-60页 |
| 5.1 智能导诊 | 第51-52页 |
| 5.2 自然语言处理 | 第52-55页 |
| 5.2.1 基于隐马尔科夫模型(HMM)的中文分词 | 第52-53页 |
| 5.2.2 基于TF-IDF算法的文本数据向量化 | 第53-55页 |
| 5.3 实验分析与比较 | 第55-60页 |
| 5.3.1 实验数据与评价指标 | 第55-58页 |
| 5.3.2 GMEAEC算法在口腔疾病数据聚类中的实验对比分析 | 第58-60页 |
| 第6章 总结与展望 | 第60-63页 |
| 6.1 本文研究工作总结 | 第60-61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读学位期间的论文发表情况 | 第68页 |
| 攻读学位期间的项目参与情况 | 第68页 |
| 攻读学位期间的获奖情况 | 第68-69页 |
| 致谢 | 第69页 |
