面向高维数据的聚类算法改进研究
摘要 | 第4-5页 |
Abstract | 第5页 |
第一章 绪论 | 第8-16页 |
1.1 研究背景和意义 | 第8-9页 |
1.2 国内外研究现状 | 第9-13页 |
1.2.1 K-means算法研究现状 | 第10-11页 |
1.2.2 子空间聚类算法研究现状 | 第11-13页 |
1.3 论文主要研究内容与组织结构 | 第13-16页 |
第二章 相关背景知识 | 第16-34页 |
2.1 传统的聚类分析 | 第16-21页 |
2.1.1 聚类分析的基本概念及分类 | 第16-18页 |
2.1.2 传统K-means 算法 | 第18-21页 |
2.2 高维数据的聚类分析 | 第21-25页 |
2.2.1 高维数据特征 | 第21-22页 |
2.2.2 数据降维 | 第22-24页 |
2.2.3 子空间聚类 | 第24-25页 |
2.3 谱聚类 | 第25-30页 |
2.3.1 图论基础 | 第26-27页 |
2.3.2 相似矩阵的生成方式 | 第27-28页 |
2.3.3 拉普拉斯矩阵 | 第28页 |
2.3.4 谱图分割准则 | 第28-30页 |
2.4 稀疏子空间聚类算法 | 第30-33页 |
2.4.1 基本理论 | 第30-32页 |
2.4.2 算法描述与流程 | 第32-33页 |
2.5 本章小结 | 第33-34页 |
第三章 基于距离密度的优化K-means算法 | 第34-46页 |
3.1 基本理论 | 第34-37页 |
3.1.1 距离密度特征模型 | 第34-35页 |
3.1.2 基于安全距离的效率优化方法 | 第35-37页 |
3.2 基于距离密度的优化K-means算法 | 第37-42页 |
3.2.1 初始聚类中心的改进算法 | 第37-39页 |
3.2.2 执行效率的优化策略 | 第39-40页 |
3.2.3 算法描述与流程 | 第40-42页 |
3.3 验证与分析 | 第42-45页 |
3.3.1 实验环境 | 第42-43页 |
3.3.2 实验数据 | 第43页 |
3.3.3 实验结果与分析 | 第43-45页 |
3.4 本章小结 | 第45-46页 |
第四章 基于多子空间的聚类算法改进 | 第46-58页 |
4.1 基本理论 | 第46-48页 |
4.2 基于多子空间的聚类算法改进 | 第48-52页 |
4.3 仿真实验与验证 | 第52-57页 |
4.3.1 实验环境 | 第52页 |
4.3.2 实验数据 | 第52-54页 |
4.3.3 实验结果与分析 | 第54-57页 |
4.4 本章小结 | 第57-58页 |
第五章 原型系统设计与实现 | 第58-64页 |
5.1 系统需求分析 | 第58-59页 |
5.2 详细设计 | 第59-60页 |
5.3 系统实现 | 第60-63页 |
5.4 本章小结 | 第63-64页 |
第六章 总结与展望 | 第64-66页 |
6.1 总结 | 第64页 |
6.2 展望 | 第64-66页 |
参考文献 | 第66-69页 |
附录1 攻读硕士学位期间申请的专利 | 第69-70页 |
致谢 | 第70页 |