第1章 引言 | 第1-20页 |
1.1 聚类分析的概念、任务和意义 | 第9-10页 |
1.2 聚类分析的作用和算法分类 | 第10-11页 |
1.3 聚类分析的基本知识 | 第11-18页 |
1.3.1 聚类算法的一般步骤 | 第11-12页 |
1.3.2 聚类的定义 | 第12-13页 |
1.3.3 样品与指标 | 第13-14页 |
1.3.4 对数据规格化计算方法的分析 | 第14-15页 |
1.3.5 样品间“相似性”度量——距离的计算方法 | 第15-16页 |
1.3.6 对相似程度r_(ij)计算方法的分析 | 第16-18页 |
1.4 论文研究的主要内容和目标 | 第18-20页 |
1.4.1 论文研究的主要内容和目标 | 第18-19页 |
1.4.2 本文的组织 | 第19-20页 |
第2章 模糊理论与模糊聚类 | 第20-33页 |
2.1 模糊数学概述 | 第20-21页 |
2.2 模糊集合 | 第21-24页 |
2.2.1 模糊集合的定义 | 第21页 |
2.2.2 模糊集合的表示方法 | 第21-22页 |
2.2.3 特殊模糊集合 | 第22-24页 |
2.3 模糊集的基本定理 | 第24-28页 |
2.3.1 λ截集 | 第24-26页 |
2.3.2 分解定理 | 第26-27页 |
2.3.3 扩展原理 | 第27-28页 |
2.4 模糊关系 | 第28-30页 |
2.5 模糊聚类 | 第30-32页 |
2.5.1 模糊聚类的一般模型 | 第30-31页 |
2.5.2 模糊聚类的研究现状 | 第31-32页 |
2.6 本章小结 | 第32-33页 |
第3章 模糊C均值聚类算法 | 第33-47页 |
3.1 基于目标函数的模糊聚类分析 | 第33-38页 |
3.1.1 数据集的C划分 | 第33-34页 |
3.1.2 聚类目标函数 | 第34-38页 |
3.2 硬聚类C均值算法 | 第38-39页 |
3.3 C-均值聚类算法 | 第39页 |
3.4 ISODATA算法 | 第39-41页 |
3.5 模糊聚类C均值算法 | 第41-46页 |
3.5.1 模糊聚类c均值算法 | 第41-43页 |
3.5.2 对相似性准则D的研究 | 第43-44页 |
3.5.3 对各种数据集X的研究 | 第44页 |
3.5.4 对聚类原型的研究 | 第44-45页 |
3.5.5 模糊c-均值的不足与改进 | 第45-46页 |
3.6 本章小结 | 第46-47页 |
第4章神 经网络模糊聚类 | 第47-64页 |
4.1 人工神经网络基础 | 第47-48页 |
4.1.1 人工神经网络的发展 | 第47-48页 |
4.1.2 人工神经网络的拓扑特性 | 第48页 |
4.2 BP网络与算法 | 第48-52页 |
4.2.1 BP网络算法 | 第49-51页 |
4.2.2 BP算法的若干改进 | 第51-52页 |
4.2.3 BP算法的总结 | 第52页 |
4.3 基于模糊逻辑神经元的聚类网络 | 第52-59页 |
4.3.1 模糊逻辑聚类神经元网络结构 | 第52-53页 |
4.3.2 网络学习算法 | 第53-55页 |
4.4.3 基于模糊逻辑神经元聚类网络算法试验 | 第55-58页 |
4.3.4 算法中的死点问题 | 第58-59页 |
4.5 模拟退火算法 | 第59-63页 |
4.5.1 模拟退火算法 | 第60-61页 |
4.5.2 算法分析研究 | 第61-62页 |
4.5.3 Cauchy训练的引入 | 第62-63页 |
4.5.4 模拟退火算法试验 | 第63页 |
4.6 本章小结 | 第63-64页 |
第5章 基于改进神经网络的FCM算法 | 第64-74页 |
5.1 模糊逻辑神经元算法和模拟退火算法的混合聚类算法 | 第64-65页 |
5.2 试验1 混合算法性能比较 | 第65-69页 |
5.3 基于神经元网络的FCM算法 | 第69-70页 |
5.4 试验2 基于神经网络的FCM算法研究 | 第70-73页 |
5.5 本章小结 | 第73-74页 |
第6章 总结和对未来的展望 | 第74-76页 |
6.1 本文的工作总结 | 第74-75页 |
6.2 研究展望 | 第75-76页 |
参考文献 | 第76-80页 |
攻读硕士学位期间的科研工作 | 第80-81页 |
致谢 | 第81页 |