| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究动机与目标 | 第12-15页 |
| 1.1.1 研究现状及动机 | 第12-15页 |
| 1.1.2 研究目标 | 第15页 |
| 1.2 本文主要工作 | 第15-16页 |
| 1.3 论文结构安排 | 第16-17页 |
| 第二章 背景知识与相关研究 | 第17-32页 |
| 2.1 图像特征提取方法 | 第17-19页 |
| 2.2 噪音过滤方法 | 第19-23页 |
| 2.2.1 Leverage评价指标 | 第21页 |
| 2.2.2 Lift与Conviction评价指标 | 第21-22页 |
| 2.2.3 Collective Strength评价指标 | 第22页 |
| 2.2.4 All-confidence评价指标 | 第22-23页 |
| 2.2.5 Cosine余弦评价指标 | 第23页 |
| 2.3 图像数据聚类方法 | 第23-28页 |
| 2.3.1 Kmeans聚类算法 | 第24-26页 |
| 2.3.2 基于马氏距离的LMkNN | 第26-27页 |
| 2.3.3 利用约束信息的ITML | 第27-28页 |
| 2.3.4 Info-Kmeans算法 | 第28页 |
| 2.4 基于内容的图像索引技术框架 | 第28-29页 |
| 2.5 体系结构总述 | 第29-31页 |
| 2.5.1 整体流程 | 第30页 |
| 2.5.2 执行步骤 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 噪音自适应过滤的IP-NF技术 | 第32-44页 |
| 3.1 问题定义 | 第32-35页 |
| 3.1.1 余弦兴趣模式 | 第32-33页 |
| 3.1.2 噪音图像 | 第33-34页 |
| 3.1.3 兴趣二项集 | 第34-35页 |
| 3.2 IP-NF技术思想 | 第35-36页 |
| 3.3 IP-NF技术的实现 | 第36-43页 |
| 3.3.1 处理流程 | 第36-37页 |
| 3.3.2 FP-2IPaD算法 | 第37-39页 |
| 3.3.3 对FP-2IPaD算法的改进 | 第39-43页 |
| 3.4 计算复杂性分析 | 第43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于ASAIL的高维稀疏数据聚类 | 第44-53页 |
| 4.1 Info-Kmeans算法 | 第44-46页 |
| 4.1.1 算法主要思想 | 第44-45页 |
| 4.1.2 Info-Kmeans算法的缺陷 | 第45-46页 |
| 4.2 基于香农熵的ASAIL算法 | 第46-49页 |
| 4.2.1 ASAIL算法的理论基础 | 第46-47页 |
| 4.2.2 ASAIL算法的计算优化 | 第47-49页 |
| 4.3 ASAIL算法的实现 | 第49-51页 |
| 4.3.1 ASAIL算法 | 第49-50页 |
| 4.3.2 组间调整GroupAssign子过程 | 第50-51页 |
| 4.4 计算复杂性分析 | 第51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 实例验证分析 | 第53-63页 |
| 5.1 数据集与实验设计 | 第53-55页 |
| 5.1.1 数据集描述 | 第53-54页 |
| 5.1.2 实验工具及环境 | 第54页 |
| 5.1.3 评价指标 | 第54-55页 |
| 5.2 IP-NF技术效果测试 | 第55-59页 |
| 5.2.1 噪音图像对图像聚类的影响 | 第55-57页 |
| 5.2.2 余弦兴趣模式的物理属性 | 第57-58页 |
| 5.2.3 FP-2IPaD算法与S-CIP算法效率比较 | 第58-59页 |
| 5.3 ASAIL算法和CLUTO聚类性能比较与分析 | 第59-61页 |
| 5.4 基于聚类结果识别图像的例子与分析 | 第61页 |
| 5.5 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-66页 |
| 6.1 本文工作总结 | 第63-64页 |
| 6.2 下一步的工作 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 参与的科研项目成果 | 第71-72页 |
| 致谢 | 第72-73页 |
