摘要 | 第4-5页 |
abstract | 第5-6页 |
第1章 绪论 | 第9-16页 |
1.1 研究的背景及意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-14页 |
1.3 本文的研究内容 | 第14页 |
1.4 本文的组织结构 | 第14-15页 |
1.5 本章小结 | 第15-16页 |
第2章 聚类算法的分析与研究 | 第16-29页 |
2.1 聚类的相关基本信息 | 第16页 |
2.2 聚类的主要步骤 | 第16-17页 |
2.3 聚类算法中的相似性度量方法 | 第17-18页 |
2.4 聚类算法中的聚类准则函数 | 第18-19页 |
2.5 主要的聚类算法 | 第19-22页 |
2.6 K-means聚类算法的介绍及缺陷分析 | 第22-25页 |
2.7 DBSCAN聚类算法及其缺陷分析 | 第25-28页 |
2.8 本章小结 | 第28-29页 |
第3章 基于稀疏-密度熵自动聚类算法的研究 | 第29-43页 |
3.1 基于稀疏熵的自动确定最佳聚类数算法 | 第29-37页 |
3.1.1 引言 | 第29页 |
3.1.2 统计最优样本大小 | 第29-30页 |
3.1.3 基于分数方程的特征选择算法 | 第30-34页 |
3.1.4 基于稀疏熵的确定最佳聚类数的算法 | 第34-37页 |
3.2 基于密度熵的孤立-边界点集识别的聚类算法 | 第37-42页 |
3.2.1 引言 | 第37-38页 |
3.2.2 算法的基本定义 | 第38-40页 |
3.2.3 基于密度熵的孤立-边界点集识别的聚类算法 | 第40-42页 |
3.3 本章小结 | 第42-43页 |
第4章 实验结果及分析 | 第43-60页 |
4.1 稀疏熵算法的实验结果及分析 | 第43-52页 |
4.2 密度熵算法的实验结果与分析 | 第52-57页 |
4.3 稀疏-密度熵算法的性能分析 | 第57-58页 |
4.4 本章小结 | 第58-60页 |
第5章 总结与展望 | 第60-62页 |
5.1 总结 | 第60页 |
5.2 展望 | 第60-62页 |
参考文献 | 第62-67页 |
致谢 | 第67页 |