高维复杂数据的聚类模型和算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 传统聚类算法 | 第9页 |
| 1.2.2 高维数据聚类算法 | 第9-12页 |
| 1.3 主要工作与本文组织结构 | 第12-14页 |
| 第二章 基于模板缩减的粒子群遗传聚类算法 | 第14-22页 |
| 2.1 粒子群聚类算法 | 第14-15页 |
| 2.2 模板缩减的粒子群聚类 | 第15-17页 |
| 2.2.1 模板缩减 | 第15-16页 |
| 2.2.2 粒子更新策略 | 第16-17页 |
| 2.2.3 算法流程 | 第17页 |
| 2.3 实验仿真与分析 | 第17-21页 |
| 2.3.1 计算复杂度分析 | 第18-19页 |
| 2.3.2 实验结果分析 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 改进重加权稀疏子空间聚类算法 | 第22-34页 |
| 3.1 稀疏子空间聚类算法 | 第22-24页 |
| 3.1.1 稀疏优化框架 | 第22-23页 |
| 3.1.2 含干扰信息的高维复杂数据解决方案 | 第23-24页 |
| 3.2 重加权稀疏子空间聚类 | 第24-28页 |
| 3.2.1 最小化框架分析 | 第24-26页 |
| 3.2.2 加权矩阵的更新策略 | 第26-27页 |
| 3.2.3 算法流程 | 第27-28页 |
| 3.3 实验仿真与分析 | 第28-33页 |
| 3.3.1 数据集描述与参数设置 | 第28-31页 |
| 3.3.2 实验结果分析 | 第31-32页 |
| 3.3.3 两种算法对比 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 基于半监督的稀疏子空间聚类算法 | 第34-47页 |
| 4.1 半监督聚类算法 | 第34-35页 |
| 4.2 半监督稀疏子空间聚类 | 第35-39页 |
| 4.2.1 约束矩阵设计 | 第35-36页 |
| 4.2.2 基于半监督的稀疏优化框架 | 第36-37页 |
| 4.2.3 算法流程 | 第37-39页 |
| 4.3 实验仿真与分析 | 第39-46页 |
| 4.3.1 数据集描述与参数设置 | 第39-41页 |
| 4.3.2 实验结果分析 | 第41-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 结论与展望 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第55页 |
