知识驱动的模糊聚类算法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 引言 | 第10-12页 |
| 第1章 模糊数学及模糊熵理论 | 第12-22页 |
| ·模糊数学理论 | 第12-16页 |
| ·模糊数学简介 | 第12-13页 |
| ·模糊集合的定义 | 第13-14页 |
| ·模糊集合的运算 | 第14-15页 |
| ·模糊集合的性质 | 第15-16页 |
| ·模糊集合的表示方法 | 第16页 |
| ·信息熵理论 | 第16-18页 |
| ·信息熵理论简介 | 第16页 |
| ·信息熵定义 | 第16-18页 |
| ·模糊熵理论 | 第18-22页 |
| ·不确定性划分 | 第18-19页 |
| ·模糊熵的定义 | 第19-20页 |
| ·常用模糊熵公式 | 第20-22页 |
| 第2章 模糊C均值算法与密切关系传播算法 | 第22-32页 |
| ·聚类分析算法概述 | 第22-23页 |
| ·模糊C均值算法研究 | 第23-27页 |
| ·密切关系传播算法研究 | 第27-32页 |
| 第3章 知识驱动的模糊C均值算法 | 第32-42页 |
| ·知识驱动的聚类算法简介 | 第32-34页 |
| ·贴近度—模糊C均值算法 | 第34-36页 |
| ·贴近度定义 | 第34页 |
| ·模糊C均值算法的知识判据 | 第34-36页 |
| ·贴近度—模糊C均值算法流程 | 第36-37页 |
| ·实验结果及分析 | 第37-42页 |
| 第4章 知识驱动的密切关系传播算法 | 第42-56页 |
| ·数据预处理 | 第42-46页 |
| ·数据的归一化处理 | 第42-43页 |
| ·数据属性加权 | 第43-46页 |
| ·贴近度—密切关系传播算法的知识判据 | 第46-47页 |
| ·贴近度—密切关系传播算法流程 | 第47-48页 |
| ·实验结果及分析 | 第48-56页 |
| ·一般人工数据实验 | 第49-51页 |
| ·Iris数据实验 | 第51-53页 |
| ·人脸图像数据实验 | 第53-56页 |
| 第5章 大样本数据聚类算法研究 | 第56-64页 |
| ·主动密切关系传播聚类算法 | 第56-59页 |
| ·研究主动密切关系传播算法的必要性 | 第56页 |
| ·集成FCM算法的密切关系传播算法 | 第56-58页 |
| ·主动密切关系传播算法流程 | 第58-59页 |
| ·大样本数据聚类算法 | 第59-61页 |
| ·实验结果及分析 | 第61-64页 |
| ·Iris数据集实验 | 第61-62页 |
| ·Shuttle数据集实验 | 第62-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
