| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究历史及现状 | 第9-12页 |
| 1.2.1 聚类算法相关技术现状 | 第9-10页 |
| 1.2.2 人工神经网络相关技术现状 | 第10-12页 |
| 1.3 课题来源 | 第12-13页 |
| 1.4 本文研究内容及结构 | 第13-14页 |
| 第2章 背景技术介绍 | 第14-22页 |
| 2.1 K均值算法 | 第14-16页 |
| 2.2 超限学习机模型 | 第16-18页 |
| 2.3 超限学习机自编码器 | 第18-20页 |
| 2.4 本章小结 | 第20-22页 |
| 第3章 基于超限学习机的聚类算法 | 第22-42页 |
| 3.1 K均值算法的模块化描述 | 第22-25页 |
| 3.1.1 特征空间映射 | 第23-24页 |
| 3.1.2 聚类中心初始化 | 第24-25页 |
| 3.1.3 相似性函数 | 第25页 |
| 3.1.4 聚类中心更新 | 第25页 |
| 3.1.5 终止条件判断 | 第25页 |
| 3.2 基于超限学习机的聚类算法 | 第25-31页 |
| 3.2.1 模型参数初始化 | 第27页 |
| 3.2.2 模型训练集的构成 | 第27-28页 |
| 3.2.3 超限学习机模型的训练 | 第28页 |
| 3.2.4 终止条件判断 | 第28-29页 |
| 3.2.5 聚类中心更新 | 第29页 |
| 3.2.6 KELMC算法描述 | 第29-31页 |
| 3.3 基于ELM-AE与PCA特征空间的KELMC算法 | 第31-35页 |
| 3.3.1 基于ELM-AE的特征映射 | 第32页 |
| 3.3.2 基于PCA的特征降维 | 第32-33页 |
| 3.3.3 EP-KELMC算法描述 | 第33-35页 |
| 3.4 基于半监督流形学习的KELMC算法 | 第35-40页 |
| 3.4.1 流形结构信息获取 | 第36-37页 |
| 3.4.2 半监督超限学习机模型的训练 | 第37-38页 |
| 3.4.3 聚类中心更新 | 第38页 |
| 3.4.4 MF-KELMC算法描述 | 第38-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 实验分析及参数讨论 | 第42-56页 |
| 4.1 实验描述 | 第42-45页 |
| 4.1.1 聚类算法的评价指标 | 第42页 |
| 4.1.2 人工数据集描述 | 第42-43页 |
| 4.1.3 UCI数据集描述 | 第43-45页 |
| 4.2 参数选择 | 第45-50页 |
| 4.2.1 正则项系数 | 第45-47页 |
| 4.2.2 隐层节点个数 | 第47-49页 |
| 4.2.3 中心样本个数 | 第49-50页 |
| 4.3 实验的结果及分析 | 第50-54页 |
| 4.3.1 在人工数据集上的实验结果分析 | 第50-53页 |
| 4.3.2 在UCI数据集上的实验结果分析 | 第53-54页 |
| 4.4 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间的研究成果 | 第62-64页 |
| 致谢 | 第64页 |