| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.3 本文主要工作 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 相关知识介绍 | 第16-26页 |
| 2.1 模糊聚类算法 | 第16-17页 |
| 2.2 神经网络算法 | 第17-19页 |
| 2.3 广义熵 | 第19-21页 |
| 2.4 聚类集成算法 | 第21-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 广义熵模糊聚类的神经网络算法研究 | 第26-40页 |
| 3.1 增广拉格朗日方法 | 第26-27页 |
| 3.2 广义熵模糊聚类算法实现 | 第27-36页 |
| 3.2.1 算法体系结构 | 第27-28页 |
| 3.2.2 第一层循环实现 | 第28-32页 |
| 3.2.3 第二层循环实现 | 第32-36页 |
| 3.3 神经网络广义熵核算法实现 | 第36-38页 |
| 3.4 算法步骤 | 第38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 神经网络广义熵聚类集成算法研究 | 第40-48页 |
| 4.1 聚类成员产生方法 | 第40-41页 |
| 4.2 矩阵处理方法实现 | 第41-46页 |
| 4.2.1 模糊聚类有效性函数选择法 | 第41-44页 |
| 4.2.2 特征二次选择方法 | 第44-45页 |
| 4.2.3 特征加权方法 | 第45-46页 |
| 4.3 融合函数的使用 | 第46-47页 |
| 4.4 集成算法步骤 | 第47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 实验与分析 | 第48-67页 |
| 5.1 神经网络广义熵算法实验研究 | 第48-57页 |
| 5.1.1 人工数据集 | 第48-50页 |
| 5.1.2 Butterlfy 数据集 | 第50-52页 |
| 5.1.3 Iris 数据集 | 第52-53页 |
| 5.1.4 Breast-w 数据集 | 第53-54页 |
| 5.1.5 Wine 数据集 | 第54-55页 |
| 5.1.6 Heart 数据集 | 第55-56页 |
| 5.1.7 Ionosphere 数据集 | 第56页 |
| 5.1.8 Australian 数据集 | 第56-57页 |
| 5.2 神经网络广义熵核算法研究 | 第57-59页 |
| 5.2.1 广义熵核算法聚类效果研究 | 第57-58页 |
| 5.2.2 广义熵核算法参数研究 | 第58-59页 |
| 5.3 神经网络广义熵聚类集成算法研究 | 第59-66页 |
| 5.3.1 四种聚类成员选择方法比较 | 第59-61页 |
| 5.3.2 本文算法与原始算法比较 | 第61-62页 |
| 5.3.3 对2SW选择方法各个步骤的研究 | 第62-63页 |
| 5.3.4 聚类特征数对集成正确率的影响 | 第63-66页 |
| 5.3.5 三种产生聚类成员方法对集成正确率的影响 | 第66页 |
| 5.4 本章小结 | 第66-67页 |
| 第6章 结论与展望 | 第67-69页 |
| 6.1 工作总结 | 第67-68页 |
| 6.2 工作展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72-73页 |
| 攻读学位期间取得的科研成果 | 第73页 |