| 致谢 | 第3-4页 |
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第15-29页 |
| 1.1 课题来源 | 第15页 |
| 1.2 背景与意义 | 第15-17页 |
| 1.3 国内外研究现状 | 第17-24页 |
| 1.4 存在的问题及本文研究的重点 | 第24-26页 |
| 1.5 本文的主要研究内容和组织结构 | 第26-29页 |
| 2 谱聚类的基础理论 | 第29-49页 |
| 2.1 特征值和特征向量 | 第29页 |
| 2.2 k-means聚类算法 | 第29-31页 |
| 2.3 图论基础 | 第31-39页 |
| 2.4 谱聚类的基本算法 | 第39-48页 |
| 2.5 小结 | 第48-49页 |
| 3 基于粗糙集属性优化的谱聚类 | 第49-64页 |
| 3.1 引言 | 第49页 |
| 3.2 基于知识熵的属性加权谱聚类 | 第49-56页 |
| 3.3 基于邻域粗糙集约简的谱聚类 | 第56-63页 |
| 3.4 小结 | 第63-64页 |
| 4 基于局部密度特征的谱聚类 | 第64-87页 |
| 4.1 引言 | 第64-65页 |
| 4.2 密度自适应的近邻传播谱聚类 | 第65-76页 |
| 4.3 基于公共近邻的自调节p-谱聚类 | 第76-86页 |
| 4.4 小结 | 第86-87页 |
| 5 基于Nystr(?)m低秩近似的谱聚类 | 第87-114页 |
| 5.1 引言 | 第87-88页 |
| 5.2 Nystr(?)m近似技术 | 第88-90页 |
| 5.3 基于随机SVD的Nystr(?)m谱聚类 | 第90-102页 |
| 5.4 基于概率增量抽样的Nystr(?)m谱聚类 | 第102-113页 |
| 5.5 小结 | 第113-114页 |
| 6 基于近似加权核k-means的谱聚类 | 第114-150页 |
| 6.1 引言 | 第114-115页 |
| 6.2 求解大规模谱聚类的近似加权核k-means算法 | 第115-133页 |
| 6.3 基于HMRF模型的半监督近似谱聚类 | 第133-149页 |
| 6.4 小结 | 第149-150页 |
| 7 总结与展望 | 第150-153页 |
| 7.1 总结 | 第150-151页 |
| 7.2 展望 | 第151-153页 |
| 参考文献 | 第153-165页 |
| 作者简历 | 第165-168页 |
| 学位论文数据集 | 第168页 |