| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 多视图聚类算法研究现状 | 第12-13页 |
| 1.2.2 多核学习技术研究现状 | 第13-14页 |
| 1.2.3 增量聚类算法研究现状 | 第14-15页 |
| 1.3 本论文研究内容及章节安排 | 第15-17页 |
| 1.3.1 本论文研究内容 | 第15页 |
| 1.3.2 本论文章节安排 | 第15-17页 |
| 第2章 基本原理简述 | 第17-26页 |
| 2.1 聚类分析基本原理 | 第17-19页 |
| 2.1.1 聚类的概念 | 第17-18页 |
| 2.1.2 聚类算法的分类 | 第18-19页 |
| 2.2 多核学习基本原理 | 第19-22页 |
| 2.2.1 核函数 | 第19-21页 |
| 2.2.2 多核学习的基本概念 | 第21-22页 |
| 2.3 多视图聚类基本原理 | 第22-24页 |
| 2.3.1 多视图聚类算法简述 | 第23-24页 |
| 2.3.2 多视图多核聚类算法介绍 | 第24页 |
| 2.4 增量聚类算法基本原理 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于样本加权和多核学习的多视图聚类算法 | 第26-37页 |
| 3.1 多视图核K-means算法 | 第26-29页 |
| 3.1.1 核K-means算法 | 第26-27页 |
| 3.1.2 多视图核K-means算法(MVKKM) | 第27-29页 |
| 3.2 基于样本加权和MKL的多视图聚类算法(MVMKC) | 第29-35页 |
| 3.2.1 改进的加权高斯核 | 第30-31页 |
| 3.2.2 目标函数 | 第31-32页 |
| 3.2.3 算法描述 | 第32-35页 |
| 3.3 本章小结 | 第35-37页 |
| 第4章 基于核K-means的多视图增量聚类算法 | 第37-43页 |
| 4.1 增量聚类算法 | 第37-39页 |
| 4.2 基于核K-means的多视图增量聚类算法(IMVKKM) | 第39-42页 |
| 4.3 本章小结 | 第42-43页 |
| 第5章 实验与分析 | 第43-56页 |
| 5.1 实验数据集 | 第43-44页 |
| 5.2 聚类评价指标 | 第44-46页 |
| 5.2.1 Accuracy评价指标 | 第44-45页 |
| 5.2.2 F-measure评价指标 | 第45页 |
| 5.2.3 RI评价指标 | 第45-46页 |
| 5.2.4 Speedup性能指标 | 第46页 |
| 5.3 MVMKC算法实验与结果分析 | 第46-51页 |
| 5.4 IMVKKM算法实验与结果分析 | 第51-54页 |
| 5.5 本章小结 | 第54-56页 |
| 结论与展望 | 第56-58页 |
| 结论 | 第56-57页 |
| 进一步工作 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第63页 |
