| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-28页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 相关研究现状 | 第15-17页 |
| 1.3 聚类分析的应用领域 | 第17-19页 |
| 1.3.1 在图像处理中的应用 | 第17页 |
| 1.3.2 在文本中的应用 | 第17-18页 |
| 1.3.3 在客户行为研究中的应用 | 第18页 |
| 1.3.4 在其他方面的应用 | 第18-19页 |
| 1.4 聚类分析的内容 | 第19-20页 |
| 1.5 常用的聚类算法 | 第20-25页 |
| 1.5.1 k-means算法和FCM算法 | 第20-22页 |
| 1.5.2 核函数 | 第22-23页 |
| 1.5.3 核k-means算法（KCM算法）和KFCM算法 | 第23-25页 |
| 1.6 本文的主要研究内容 | 第25-28页 |
| 1.6.1 本文的主要工作 | 第25-26页 |
| 1.6.2 本文的内容安排 | 第26-28页 |
| 第二章 DCA算法解决KFCM问题 | 第28-38页 |
| 2.1 FCM问题的一个DC分解 | 第28-32页 |
| 2.1.1 DC规划和DCA算法 | 第28-30页 |
| 2.1.2 DCA解FCM问题 | 第30-32页 |
| 2.2 KFCM的一个DC分解 | 第32-34页 |
| 2.3 用DCA算法求解KFCM问题 | 第34-36页 |
| 2.3.1 DCA-KFCM算法 | 第34-35页 |
| 2.3.2 DCA-KFCM2算法 | 第35-36页 |
| 2.4 实验结果分析 | 第36-38页 |
| 第三章 近似KFCM算法解决大数据问题 | 第38-44页 |
| 3.1 近似KFCM算法 | 第38-39页 |
| 3.2 实验结果分析 | 第39-44页 |
| 3.2.1 评估标准 | 第40页 |
| 3.2.2 两种方法比较 | 第40-44页 |
| 第四章 近似KFCM算法在分治SVM中的应用 | 第44-56页 |
| 4.1 近似分治SVM简介 | 第44-51页 |
| 4.1.1 单层近似分治SVM问题 | 第44-48页 |
| 4.1.2 多层近似分治SVM问题 | 第48-51页 |
| 4.2 实验结果分析 | 第51-56页 |
| 第五章 结束语 | 第56-58页 |
| 5.1 研究结论 | 第56页 |
| 5.2 研究展望与不足 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 作者简介 | 第64-65页 |