基于粒计算的数据粒化聚类方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究背景及粒计算与聚类分析的特点 | 第10-12页 |
| 1.1.1 课题研究背景 | 第10-11页 |
| 1.1.2 粒计算与聚类分析的特点 | 第11-12页 |
| 1.2 粒计算概述 | 第12-14页 |
| 1.2.1 粒计算研究现状 | 第12-13页 |
| 1.2.2 粒计算的研究方法 | 第13-14页 |
| 1.3 粒化概述 | 第14-16页 |
| 1.3.1 数据粒化 | 第14页 |
| 1.3.2 主要的粒化技术方法 | 第14-15页 |
| 1.3.3 粒化的难点 | 第15-16页 |
| 1.4 聚类分析概述 | 第16-18页 |
| 1.4.1 聚类分析方法概述 | 第16-17页 |
| 1.4.2 模糊C均值算法的研究现状 | 第17-18页 |
| 1.5 论文内容和组织结构 | 第18-19页 |
| 第2章 基础知识 | 第19-28页 |
| 2.1 粗糙集 | 第19-22页 |
| 2.1.1 粗糙集理论 | 第19-21页 |
| 2.1.2 信息系统与决策表 | 第21-22页 |
| 2.2 聚类分析 | 第22-27页 |
| 2.2.1 聚类分析研究的挑战性问题 | 第22-23页 |
| 2.2.2 模糊聚类算法 | 第23-24页 |
| 2.2.3 数据对象相似性度量方法 | 第24-25页 |
| 2.2.4 模糊C均值算法 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 基于模糊粗糙集的粒化方法 | 第28-47页 |
| 3.1 引言 | 第28页 |
| 3.2 模糊粗糙集相关知识 | 第28-32页 |
| 3.2.1 模糊粗糙集定义 | 第28-31页 |
| 3.2.2 属性重要度 | 第31-32页 |
| 3.3 基于模糊粗糙集的信息粒化方法 | 第32-38页 |
| 3.3.1 基于模糊粗糙集的粒化思想 | 第32-34页 |
| 3.3.2 基于模糊粗糙集的粒化算法 | 第34-38页 |
| 3.4 粒化实验结果 | 第38-42页 |
| 3.4.1 Wine数据集的粒化结果 | 第38-40页 |
| 3.4.2 Iris数据集的粒化结果 | 第40-41页 |
| 3.4.3 Seeds数据集的粒化结果 | 第41-42页 |
| 3.5 基于粒化的聚类 | 第42-46页 |
| 3.5.1 粒子的中心点 | 第42-43页 |
| 3.5.2 粒的度量 | 第43-44页 |
| 3.5.3 基于粒化的聚类实验分析 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 基于超盒的模糊聚类算法 | 第47-59页 |
| 4.1 引言 | 第47页 |
| 4.2 基于超盒的粒化方法 | 第47-50页 |
| 4.2.1 超盒粒化 | 第47-49页 |
| 4.2.2 超盒参数选择 | 第49-50页 |
| 4.3 基于超盒的模糊聚类算法 | 第50-53页 |
| 4.4 实验与分析 | 第53-58页 |
| 4.4.1 Wine数据集的实验结果 | 第53-55页 |
| 4.4.2 Iris数据集的实验结果 | 第55-57页 |
| 4.4.3 Seeds数据集的实验结果 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第65-66页 |
| 致谢 | 第66页 |
