| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究的背景和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 粒计算的研究现状 | 第10-13页 |
| 1.2.2 多粒度聚类模型的研究现状 | 第13-14页 |
| 1.3 本文的主要工作 | 第14-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 第2章 基本理论与方法 | 第16-30页 |
| 2.1 粒计算相关理论 | 第16-24页 |
| 2.1.1 粒化模型 | 第17-19页 |
| 2.1.2 粒度寻优 | 第19-20页 |
| 2.1.3 粒度层次切换 | 第20-21页 |
| 2.1.4 多粒度联合问题求解 | 第21-24页 |
| 2.2 聚类分析相关理论 | 第24-29页 |
| 2.2.1 平面聚类方法 | 第24-26页 |
| 2.2.2 多粒度聚类方法 | 第26-27页 |
| 2.2.3 其它聚类方法 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 基于密度峰值的“由粗到细”粒度树 | 第30-40页 |
| 3.1 引言 | 第30页 |
| 3.2 密度峰值算法概述 | 第30-32页 |
| 3.3 粒度树模型 | 第32-36页 |
| 3.4 实验结果与分析 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 一种自适应密度峰值聚类策略 | 第40-52页 |
| 4.1 引言 | 第40-41页 |
| 4.2 决策图机制的局限性 | 第41-43页 |
| 4.3 基于多粒度的自适应密度峰值聚类(GDPC) | 第43-46页 |
| 4.3.1 GDPC的现实模型和依据 | 第43-45页 |
| 4.3.2 算法流程及时间复杂度 | 第45页 |
| 4.3.3 数据驱动的自适应阈值 | 第45-46页 |
| 4.4 实验结果与分析 | 第46-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第5章 基于GDPC的多粒度聚类模型 | 第52-61页 |
| 5.1 引言 | 第52-53页 |
| 5.2 多粒度聚类模型的“三重”生成机制 | 第53-56页 |
| 5.2.1 初始粒度递增机制 | 第53-54页 |
| 5.2.2 GDPC中间层输出 | 第54-55页 |
| 5.2.3 固定参数步长增长机制 | 第55-56页 |
| 5.3 基于步长增长的多粒度聚类模型 | 第56-57页 |
| 5.3.1 算法流程及时间复杂度 | 第56-57页 |
| 5.3.2 粒层结果择优 | 第57页 |
| 5.4 实验结果与分析 | 第57-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 结束语 | 第61-63页 |
| 6.1 主要工作与创新点 | 第61-62页 |
| 6.2 后续研究工作 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-70页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第70页 |