| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 子空间聚类 | 第11-12页 |
| 1.2.2 深度自动编码器 | 第12-13页 |
| 1.3 本文主要工作和创新点 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第二章 基本概念和相关知识 | 第16-24页 |
| 2.1 聚类概念 | 第16页 |
| 2.2 相似性度量 | 第16-18页 |
| 2.2.1 距离 | 第16-17页 |
| 2.2.2 相似系数 | 第17-18页 |
| 2.3 聚类策略 | 第18页 |
| 2.4 维数灾难 | 第18-19页 |
| 2.5 子空间聚类 | 第19-20页 |
| 2.6 降维算法 | 第20-22页 |
| 2.6.1 主成分分析 | 第20-21页 |
| 2.6.2 局部线性嵌入 | 第21-22页 |
| 2.7 k-means算法 | 第22-24页 |
| 第三章 子空间聚类中的隐藏特征组学习 | 第24-40页 |
| 3.1 熵加权k-means的高维稀疏数据子空间聚类 | 第24-25页 |
| 3.2 特征组加权的高维数据子空间聚类 | 第25-27页 |
| 3.3 子空间聚类中的隐藏特征组学习 | 第27-33页 |
| 3.3.1 特征分组模型（FGM） | 第28-29页 |
| 3.3.2 嵌入特征分组模型（FGM）到软子空间聚类中 | 第29-33页 |
| 3.4 实验 | 第33-39页 |
| 3.4.1 数据集和评价指标 | 第33-35页 |
| 3.4.2 试验超参数设置 | 第35-36页 |
| 3.4.3 特征组数量的选择 | 第36页 |
| 3.4.4 聚类方法比较 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于深度学习的维度化简和聚类分析 | 第40-53页 |
| 4.1 自动编码器 | 第41-45页 |
| 4.1.1 自动编码器损失函数 | 第43页 |
| 4.1.2 L2范数约束 | 第43页 |
| 4.1.3 模型的反向传导 | 第43-45页 |
| 4.1.4 加噪处理 | 第45页 |
| 4.2 深度去噪稀疏自动编码器 | 第45-46页 |
| 4.3 高维数据集的本征维度估计 | 第46页 |
| 4.4 高维数据的聚类分析 | 第46-47页 |
| 4.5 实验 | 第47-52页 |
| 4.5.1 数据集和评估方法 | 第47-48页 |
| 4.5.2 试验参数设置 | 第48-49页 |
| 4.5.3 实验结果与分析 | 第49-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 全文总结 | 第53-54页 |
| 5.2 未来研究工作 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59页 |