| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 基于划分的不确定聚类研究现状 | 第10-12页 |
| 1.2.2 基于密度的不确定聚类研究现状 | 第12页 |
| 1.2.3 缺失概率的不确定聚类研究现状 | 第12-13页 |
| 1.3 本文主要研究工作和内容安排 | 第13-15页 |
| 第2章 相关理论基础 | 第15-34页 |
| 2.1 聚类概述 | 第15-16页 |
| 2.1.1 数学描述 | 第15页 |
| 2.1.2 聚类过程 | 第15-16页 |
| 2.2 确定数据聚类算法 | 第16-22页 |
| 2.2.1 常见确定数据聚类算法 | 第16-20页 |
| 2.2.2 确定数据相似性度量 | 第20-22页 |
| 2.3 不确定数据 | 第22-26页 |
| 2.3.1 不确定数据的产生 | 第22-23页 |
| 2.3.2 不确定数据的分类 | 第23-24页 |
| 2.3.3 不确定数据的模型 | 第24-25页 |
| 2.3.4 不确定数据的应用 | 第25-26页 |
| 2.4 不确定数据聚类算法 | 第26-33页 |
| 2.4.1 不确定聚类算法与确定聚类算法的区别 | 第26-27页 |
| 2.4.2 常见不确定数据聚类算法 | 第27-29页 |
| 2.4.3 不确定数据相似性度量 | 第29-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于划分的相似概率分布的聚类算法 | 第34-44页 |
| 3.1 基于概率分布的相似性度量 | 第34-37页 |
| 3.1.1 基于KL-散度的相似性度量方法 | 第34-36页 |
| 3.1.2 对KL-散度的平滑处理 | 第36-37页 |
| 3.2 基于模糊C均值的不确定聚类算法-UFCM-KL算法 | 第37-41页 |
| 3.2.1 模糊C均值聚类算法 | 第38-39页 |
| 3.2.2 UFCM-KL算法 | 第39-40页 |
| 3.2.3 UFCM-KL的算法分析 | 第40-41页 |
| 3.3 UFCM-KL算法的改进 | 第41-43页 |
| 3.3.1 改进的UFCM-KL算法描述 | 第41-42页 |
| 3.3.2 改进的UFCM-KL算法分析 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 实验结果与分析 | 第44-52页 |
| 4.1 实验设置 | 第44-45页 |
| 4.1.1 实验环境 | 第44页 |
| 4.1.2 实验数据 | 第44-45页 |
| 4.2 实验结果与分析 | 第45-51页 |
| 4.2.1 算法有效性验证 | 第45-47页 |
| 4.2.2 算法效率验证 | 第47-48页 |
| 4.2.3 参数对算法的影响 | 第48-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-53页 |
| 5.1 论文总结 | 第52页 |
| 5.2 下一步工作展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 作者简介 | 第59-60页 |
| 攻读硕士学位期间研究成果 | 第60页 |