摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
第1章 绪论 | 第12-28页 |
1.1 课题研究背景及意义 | 第12-13页 |
1.2 研究现状 | 第13-20页 |
1.2.1 聚类算法的研究现状 | 第13-18页 |
1.2.2 谱聚类方法的研究现状 | 第18-20页 |
1.3 聚类的评价方法 | 第20-24页 |
1.4 论文的主要工作内容及章节安排 | 第24-28页 |
1.4.1 论文的主要工作内容 | 第24-25页 |
1.4.2 论文的章节安排 | 第25-28页 |
第2章 谱聚类算法的基本理论 | 第28-34页 |
2.1 引言 | 第28页 |
2.2 谱聚类算法 | 第28-31页 |
2.2.1 图划分准则 | 第28-30页 |
2.2.2 相似度矩阵、度矩阵和拉普拉斯矩阵 | 第30-31页 |
2.2.3 谱聚类算法 | 第31页 |
2.3 NJW谱聚类方法 | 第31-32页 |
2.4 测评数据与评测方法 | 第32-33页 |
2.4.1 比较算法 | 第32页 |
2.4.2 测试数据集 | 第32-33页 |
2.4.3 数据集的测评指标 | 第33页 |
2.5 本章小结 | 第33-34页 |
第3章 尺度参数自适应的谱聚类改进算法 | 第34-60页 |
3.1 引言 | 第34页 |
3.2 改进的自然最近邻居算法 | 第34-45页 |
3.2.1 自然最近邻居 | 第34-40页 |
3.2.2 改进的自然最近邻居算法 | 第40-44页 |
3.2.3 改进的自然最近邻居的密度特性 | 第44-45页 |
3.3 基于自然最近邻居的谱聚类改进算法 | 第45-48页 |
3.3.1 尺度参数的影响 | 第45-47页 |
3.3.2 基于自然最近邻居谱聚类改进算法的原理 | 第47-48页 |
3.3.3 基于自然最近邻居谱聚类改进算法描述 | 第48页 |
3.4 实验结果与分析 | 第48-58页 |
3.4.1 合成数据集上的实验结果与分析 | 第48-57页 |
3.4.2 公共测试数据集的实验结果与分析 | 第57-58页 |
3.5 本章小结 | 第58-60页 |
第4章 聚类数目自适应的谱聚类改进算法 | 第60-76页 |
4.1 引言 | 第60页 |
4.2 传统的K-means算法 | 第60-61页 |
4.2.1 K-means算法基本原理 | 第60-61页 |
4.2.2 K-means算法的性能 | 第61页 |
4.3 基于特征间隙的谱聚类 | 第61-66页 |
4.3.1 基于特征间隙的谱聚类的算法原理 | 第61-65页 |
4.3.2 基于特征间隙的谱聚类改进算法 | 第65-66页 |
4.4 实验结果与分析 | 第66-74页 |
4.4.1 合成数据集上的实验结果与分析 | 第66-73页 |
4.4.2 公共测试数据集的实验结果与分析 | 第73-74页 |
4.5 本章小结 | 第74-76页 |
第5章 基于密度初始化的谱聚类改进算法 | 第76-84页 |
5.1 引言 | 第76页 |
5.2 谱聚类中K-means算法的初始化的性能分析 | 第76-77页 |
5.3 谱聚类中K-means算法初始簇中心选取方法 | 第77-81页 |
5.3.1 聚类中心初始化原理 | 第77-78页 |
5.3.2 聚类中心初始化流程 | 第78-80页 |
5.3.3 聚类中心初始化描述 | 第80页 |
5.3.4 改进的谱聚类算法描述 | 第80-81页 |
5.4 实验结果分析 | 第81-82页 |
5.5 本章小结 | 第82-84页 |
第6章 改进的谱聚类算法在火焰图像分割上的应用 | 第84-97页 |
6.1 引言 | 第84页 |
6.2 相关工作 | 第84-87页 |
6.2.1 图像分割方法的研究现状 | 第84-86页 |
6.2.2 火焰图像分割方法的研究现状 | 第86-87页 |
6.3 基于改进谱聚类的图像分割算法 | 第87-89页 |
6.4 实验结果及分析 | 第89-96页 |
6.4.1 Berkeley图像分割库上的实验结果 | 第89-92页 |
6.4.2 火焰图像上的实验结果 | 第92-96页 |
6.5 本章小结 | 第96-97页 |
总结与展望 | 第97-99页 |
本文主要工作总结 | 第97-98页 |
未来工作展望 | 第98-99页 |
参考文献 | 第99-108页 |
致谢 | 第108-109页 |
作者简介 | 第109页 |