摘要 | 第1-7页 |
Abstract | 第7-12页 |
插图索引 | 第12-14页 |
附表索引 | 第14-16页 |
第1章 绪论 | 第16-32页 |
·本研究课题的背景与意义 | 第16-17页 |
·数据聚类的流程及其常用方法 | 第17-18页 |
·模糊聚类有效性分析 | 第18-21页 |
·聚类中心初始化方法 | 第21-24页 |
·模糊K-均值聚类算法研究 | 第24-26页 |
·模糊K-均值聚类算法的收敛性 | 第24页 |
·模糊K-均值聚类算法的变体 | 第24-26页 |
·模糊K-均值聚类算法的应用研究 | 第26页 |
·模糊聚类的组合方法研究 | 第26-28页 |
·本课题的主要研究内容及创新 | 第28-29页 |
·本文的结构 | 第29-32页 |
第2章 模糊聚类算法及其有效性指标 | 第32-42页 |
·模糊K-均值聚类算法及其变体 | 第32-35页 |
·模糊K-均值聚类算法 | 第32-33页 |
·备选模糊K-均值聚类算法 | 第33页 |
·可能性K-均值聚类算法 | 第33-34页 |
·可能性模糊K-均值聚类算法 | 第34-35页 |
·模糊聚类有效性指标 | 第35-41页 |
·只与模糊隶属度有关的模糊聚类有效性指标 | 第35-36页 |
·与模糊隶属度和数据本身有关的模糊聚类有效性指标 | 第36-40页 |
·其他类型的模糊聚类有效性指标 | 第40-41页 |
·结论 | 第41-42页 |
第3章 聚类中心初始化方法研究 | 第42-54页 |
·基于数据压缩原理的聚类中心初始化方法 | 第42-44页 |
·基于kd-tree的聚类中心初始化方法 | 第44-46页 |
·基于最小支撑树的聚类中心初始化方法 | 第46-52页 |
·设计聚类中心初始化算法的基本原则 | 第46-47页 |
·基于最小支撑树的聚类中心初始化的算法 | 第47-49页 |
·仿真实验 | 第49-52页 |
·结论 | 第52-54页 |
第4章 聚类数识别方法研究 | 第54-72页 |
·单对模糊聚类有效性指标与模糊聚类算法识别聚类数 | 第54-56页 |
·多对模糊聚类有效性指标与聚类算法共同识别聚类数 | 第56-71页 |
·多对模糊聚类有效性指标与聚类算法共同识别聚类数的算法 | 第56-64页 |
·仿真实验 | 第64-71页 |
·结论 | 第71-72页 |
第5章 基于层次分析法的模糊聚类优选模型 | 第72-81页 |
·模糊聚类优选算法的基本思想 | 第73-74页 |
·基于层次分析法的模糊聚类优选算法 | 第74-75页 |
·仿真实验 | 第75-80页 |
·结论 | 第80-81页 |
第6章 模糊聚类的组合方法研究 | 第81-102页 |
·基于拟合误差最小化原理的模糊聚类组合模型 | 第82-85页 |
·基于投票算法的模糊聚类组合模型 | 第85-89页 |
·基于模糊简单多数票法则的模糊聚类组合模型 | 第89-101页 |
·简单多数票法则 | 第89页 |
·模糊简单多数票法则 | 第89-91页 |
·基于最近邻居法则的类的匹配方法 | 第91-95页 |
·基于模糊简单多数票法则的模糊聚类组合算法 | 第95页 |
·仿真实验 | 第95-101页 |
·结论 | 第101-102页 |
第7章 基于模糊加权多数票法则的模糊聚类组合模型 | 第102-122页 |
·加权多数票法则 | 第102-103页 |
·模糊模式识别率 | 第103-108页 |
·模糊加权多数票法则 | 第108-110页 |
·基于模糊加权多数票法则的模糊聚类组合算法 | 第110-113页 |
·仿真实验 | 第113-120页 |
·结论 | 第120-122页 |
第8章 组合模糊聚类方法在智能信息处理中的应用 | 第122-139页 |
·组合模糊聚类方法在彩色图像分割中的应用 | 第122-128页 |
·基于组合模糊聚类方法的彩色图像分割算法 | 第122-123页 |
·彩色图像分割的评价 | 第123-124页 |
·仿真实验 | 第124-128页 |
·组合模糊聚类方法在基于T-S模型的系统辨识中的应用 | 第128-138页 |
·多输入单输出T-S模糊模型 | 第128-129页 |
·多输入单输出T-S模糊模型的建立 | 第129-131页 |
·仿真实验 | 第131-138页 |
·结论 | 第138-139页 |
结论 | 第139-142页 |
参考文献 | 第142-153页 |
致谢 | 第153-154页 |
附录A 攻读学位期间所发表的学术论文目录 | 第154-155页 |
附录B 攻读学位期间参与的科研项目 | 第155页 |