聚类集成研究与应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第6-10页 |
| 1.1 研究背景与意义 | 第6-7页 |
| 1.1.1 研究背景 | 第6-7页 |
| 1.1.2 研究意义 | 第7页 |
| 1.2 集成学习发展现状 | 第7-9页 |
| 1.2.1 集成学习理论发展现状 | 第7-8页 |
| 1.2.2 集成学习的应用 | 第8-9页 |
| 1.3 本文的研究内容 | 第9页 |
| 1.4 论文的组织结构 | 第9-10页 |
| 第二章 相关理论 | 第10-24页 |
| 2.1 聚类分析 | 第10-17页 |
| 2.1.1 聚类分析介绍 | 第10-12页 |
| 2.1.2 聚类方法的分类 | 第12-15页 |
| 2.1.3 聚类结果的评价 | 第15-17页 |
| 2.2 集成学习 | 第17-22页 |
| 2.2.1 聚类集成 | 第18页 |
| 2.2.2 聚类集成过程 | 第18-19页 |
| 2.2.3 生成聚类成员 | 第19-20页 |
| 2.2.4 一致性集成 | 第20-22页 |
| 2.3 聚类集成的缺点 | 第22-23页 |
| 本章小结 | 第23-24页 |
| 第三章 基于ClusterDP的聚类集成算法 | 第24-32页 |
| 3.1 ClusterDP算法原理 | 第24-26页 |
| 3.1.1 基本假设 | 第24-25页 |
| 3.1.2 聚类过程 | 第25-26页 |
| 3.1.3 算法特点 | 第26页 |
| 3.2 ClusterDP聚类集成 | 第26-29页 |
| 3.2.1 生成聚类成员 | 第26-27页 |
| 3.2.2 确定数据权重 | 第27-28页 |
| 3.2.3 获取最终结果 | 第28-29页 |
| 3.3 实验结果与分析 | 第29-31页 |
| 本章小结 | 第31-32页 |
| 第四章 基于权重的LCE算法 | 第32-45页 |
| 4.1 LCE算法 | 第32-36页 |
| 4.1.1 算法流程 | 第33-34页 |
| 4.1.2 CTS矩阵 | 第34-36页 |
| 4.2 引入权重信息 | 第36-40页 |
| 4.2.1 算法 | 第38-40页 |
| 4.3 实验结果与分析 | 第40-44页 |
| 本章小结 | 第44-45页 |
| 第五章 基于聚类集成的图像分类算法 | 第45-50页 |
| 5.1 算法介绍 | 第45-48页 |
| 5.1.1 白化处理 | 第45页 |
| 5.1.2 算法流程 | 第45-46页 |
| 5.1.3 算法改进 | 第46-48页 |
| 5.2 实验结果与分析 | 第48-49页 |
| 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录 | 第56-57页 |
