| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 主要符号表 | 第18-19页 |
| 1 绪论 | 第19-35页 |
| 1.1 研究背景与意义 | 第19-21页 |
| 1.2 研究现状 | 第21-29页 |
| 1.2.1 不确定数据聚类 | 第21-25页 |
| 1.2.2 不确定数据分类 | 第25-29页 |
| 1.3 本文研究内容 | 第29-34页 |
| 1.3.1 不确定数据聚类分类中存在的问题 | 第29-31页 |
| 1.3.2 研究内容与贡献 | 第31-34页 |
| 1.4 本文组织 | 第34-35页 |
| 2 基于自适应混合距离测度的不确定数据聚类 | 第35-56页 |
| 2.1 现有距离测度中存在的问题 | 第35-39页 |
| 2.1.1 几何距离测度 | 第35-37页 |
| 2.1.2 概率分布距离测度 | 第37-38页 |
| 2.1.3 讨论 | 第38-39页 |
| 2.2 自适应混合距离测度 | 第39-43页 |
| 2.2.1 概率分布估计 | 第39-40页 |
| 2.2.2 核距离 | 第40页 |
| 2.2.3 Jensen-Shannon散度 | 第40-42页 |
| 2.2.4 自适应权重 | 第42页 |
| 2.2.5 自适应混合距离测度 | 第42-43页 |
| 2.3 基于自适应混合距离测度的不确定数据聚类 | 第43-46页 |
| 2.3.1 基于自适应混合距离测度的K-medoids算法 | 第43-44页 |
| 2.3.2 基于自适应混合距离测度的DBSCAN算法 | 第44-46页 |
| 2.4 实验及性能分析 | 第46-55页 |
| 2.4.1 数据集 | 第46-48页 |
| 2.4.2 评价指标 | 第48-49页 |
| 2.4.3 对比算法 | 第49页 |
| 2.4.4 实验设置 | 第49-50页 |
| 2.4.5 实验结果 | 第50-55页 |
| 2.5 本章小结 | 第55-56页 |
| 3 基于密度及层次密度的不确定数据聚类 | 第56-87页 |
| 3.1 先前算法存在的问题 | 第56-60页 |
| 3.1.1 先前算法回顾 | 第56-59页 |
| 3.1.2 先前算法存在问题分析 | 第59-60页 |
| 3.2 基于密度的不确定数据聚类 | 第60-68页 |
| 3.2.1 算法定义 | 第60-64页 |
| 3.2.2 算法流程及分析 | 第64-68页 |
| 3.3 基于层次密度的不确定数据聚类 | 第68-73页 |
| 3.3.1 算法定义 | 第69-70页 |
| 3.3.2 算法流程及分析 | 第70-73页 |
| 3.4 实验及性能分析 | 第73-86页 |
| 3.4.1 数据集 | 第73-75页 |
| 3.4.2 评价指标 | 第75-76页 |
| 3.4.3 对比算法 | 第76页 |
| 3.4.4 实验设置 | 第76-77页 |
| 3.4.5 实验结果 | 第77-86页 |
| 3.5 本章小结 | 第86-87页 |
| 4 基于可能世界的AdaBoost不确定数据分类 | 第87-113页 |
| 4.1 可能世界 | 第87-88页 |
| 4.1.1 可能世界定义 | 第87页 |
| 4.1.2 可能世界生成方法 | 第87-88页 |
| 4.2 AdaBoost算法 | 第88-90页 |
| 4.3 基于可能世界的AdaBoost不确定数据分类 | 第90-98页 |
| 4.3.1 训练过程 | 第90-92页 |
| 4.3.2 预测过程 | 第92-93页 |
| 4.3.3 算法讨论 | 第93-98页 |
| 4.4 实验及性能分析 | 第98-111页 |
| 4.4.1 数据集 | 第98-100页 |
| 4.4.2 评价指标 | 第100页 |
| 4.4.3 对比算法 | 第100-101页 |
| 4.4.4 实验设置 | 第101页 |
| 4.4.5 实验结果 | 第101-111页 |
| 4.5 本章小结 | 第111-113页 |
| 5 基于一致性学习的不确定数据聚类分类 | 第113-151页 |
| 5.1 可能世界的一致性原则 | 第113-114页 |
| 5.1.1 一致性原则 | 第113-114页 |
| 5.1.2 可能世界的一致性原则 | 第114页 |
| 5.2 基于相似度矩阵一致性学习的不确定数据聚类分类 | 第114-139页 |
| 5.2.1 自适应局部结构学习 | 第115-117页 |
| 5.2.2 相似度矩阵的一致性学习 | 第117-118页 |
| 5.2.3 聚类任务的优化 | 第118-120页 |
| 5.2.4 分类任务的优化 | 第120-121页 |
| 5.2.5 算法流程及分析 | 第121-123页 |
| 5.2.6 实验及性能分析 | 第123-139页 |
| 5.3 基于代表可能世界特征向量矩阵一致性学习的不确定数据聚类 | 第139-150页 |
| 5.3.1 边缘可能世界 | 第139-140页 |
| 5.3.2 代表可能世界的选取策略 | 第140-142页 |
| 5.3.3 特征向量矩阵的一致性学习 | 第142-144页 |
| 5.3.4 算法流程及分析 | 第144-145页 |
| 5.3.5 实验及性能分析 | 第145-150页 |
| 5.4 本章小结 | 第150-151页 |
| 6 结论与展望 | 第151-154页 |
| 6.1 结论 | 第151页 |
| 6.2 创新点 | 第151-152页 |
| 6.3 展望 | 第152-154页 |
| 参考文献 | 第154-163页 |
| 攻读博士学位期间科研项目及科研成果 | 第163-165页 |
| 致谢 | 第165-166页 |
| 作者简介 | 第166页 |
