首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

模糊聚类的组合方法及其应用研究

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

论文共155页,点击 下载论文
上一篇:智能视觉监控中多运动目标检测与跟踪方法研究
下一篇:图像去噪问题中的几类非光滑数值方法