面向聚类分析的新型弹性网络算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-19页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-15页 |
| 1.2.1 聚类分析算法研究现状 | 第9-13页 |
| 1.2.2 神经网络研究现状 | 第13-14页 |
| 1.2.3 弹性网络的研究现状 | 第14-15页 |
| 1.3 研究内容 | 第15-17页 |
| 1.4 论文结构安排与主要创新 | 第17-19页 |
| 1.4.1 论文结构安排 | 第17页 |
| 1.4.2 创新点 | 第17-19页 |
| 第2章 神经网络概述 | 第19-24页 |
| 2.1 神经网络的定义 | 第19-21页 |
| 2.2 几种典型的神经网络模型 | 第21-23页 |
| 2.2.1 误差反向传播算法 | 第21-22页 |
| 2.2.2 ART网络 | 第22页 |
| 2.2.3 自组织映射网络 | 第22-23页 |
| 2.3 小结 | 第23-24页 |
| 第3章 聚类分析算法 | 第24-31页 |
| 3.1 聚类的定义 | 第24-25页 |
| 3.2 聚类的主要方法及比较 | 第25-29页 |
| 3.2.1 基于层次的聚类算法 | 第26-27页 |
| 3.2.2 基于划分的聚类算法 | 第27页 |
| 3.2.3 基于网格的聚类算法 | 第27-28页 |
| 3.2.4 基于密度的聚类算法 | 第28页 |
| 3.2.5 基于模型的聚类算法 | 第28-29页 |
| 3.3 高维数据的聚类分析 | 第29-30页 |
| 3.4 小结 | 第30-31页 |
| 第4章 基于极大熵的弹性网络聚类算法 | 第31-40页 |
| 4.1 相关技术原理 | 第31-33页 |
| 4.1.1 极大熵原理 | 第31-32页 |
| 4.1.2 确定性退火技术 | 第32-33页 |
| 4.1.3 最速下降法 | 第33页 |
| 4.2 原始弹性网络 | 第33-35页 |
| 4.3 基于极大熵的弹性网络聚类算法 | 第35-37页 |
| 4.3.1 算法原理 | 第35-36页 |
| 4.3.2 算法描述 | 第36-37页 |
| 4.4 ENCM算法的实验与仿真 | 第37-39页 |
| 4.5 小结 | 第39-40页 |
| 第5章 具有加权特性的弹性网络聚类算法 | 第40-56页 |
| 5.1 算法原理 | 第40-42页 |
| 5.2 算法性能分析 | 第42-50页 |
| 5.2.1 弹性带初始化算法分析 | 第42-44页 |
| 5.2.2 能量函数分析 | 第44-47页 |
| 5.2.3 权值设置分析 | 第47-50页 |
| 5.3 算法描述 | 第50-51页 |
| 5.4 WENC算法的实验与仿真 | 第51-55页 |
| 5.4.1 随机数据集 | 第52-54页 |
| 5.4.2 UCI数据集 | 第54-55页 |
| 5.5 小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-66页 |
