| 内容提要 | 第1-8页 |
| 第一章 绪论 | 第8-16页 |
| §1.1 聚类分析背景 | 第8页 |
| §1.2 聚类分析的基本概念 | 第8-13页 |
| §1.2.1 聚类分析的基本步骤 | 第9-10页 |
| §1.2.2 聚类分析中的数据类型 | 第10-11页 |
| §1.2.3 聚类分析中的相似性度量 | 第11-13页 |
| §1.3 当前聚类算法中面临的主要问题 | 第13-14页 |
| §1.4 本文的研究内容与组织结构 | 第14-16页 |
| 第二章 聚类算法综述 | 第16-38页 |
| §2.1 基于划分的方法 | 第16-28页 |
| §2.1.1 基于误差平方和最小化准则的聚类方法 | 第16-18页 |
| §2.1.2 基于概率混合模型的聚类算法 | 第18-20页 |
| §2.1.3 基于图论的聚类方法 | 第20-22页 |
| §2.1.4 核聚类 | 第22-26页 |
| §2.1.5 谱聚类 | 第26-28页 |
| §2.2 基于层次的方法 | 第28页 |
| §2.3 基于神经网络的聚类方法 | 第28-29页 |
| §2.4 利用优化技术进行聚类 | 第29-35页 |
| §2.4.1 用于聚类的随机性优化技术 | 第29-32页 |
| §2.4.2 用于聚类的确定性优化技术 | 第32-35页 |
| §2.5 基于网格的聚类方法 | 第35-36页 |
| §2.6 聚类集成技术 | 第36-38页 |
| 第三章 模糊聚类算法 | 第38-44页 |
| §3.1 模糊聚类算法研究现状 | 第38页 |
| §3.2 模糊c均值聚类算法 | 第38-42页 |
| §3.3 可能性c均值聚类算法 | 第42-43页 |
| §3.4 可能性模糊c均值聚类算法 | 第43-44页 |
| 第四章 基于核的改进模糊聚类算法 | 第44-62页 |
| §4.1 核的基本概念 | 第44-45页 |
| §4.2 基于核的改进模糊c均值聚类算法 | 第45-55页 |
| §4.2.1 放松约束的模糊c均值算法 | 第46页 |
| §4.2.2 特征空间中的改进模糊c均值聚类算法 | 第46-50页 |
| §4.2.3 基于核化距离的改进模糊c均值聚类算法 | 第50-51页 |
| §4.2.4 实验分析与实际应用 | 第51-54页 |
| §4.2.5 总结分析 | 第54-55页 |
| §4.3 推广的核可能性聚类算法(GKPCM) | 第55-62页 |
| §4.3.1 可行域S~((i))(1,≤i≤c)是凸集时的GKPCM聚类模型 | 第57-58页 |
| §4.3.2 基于优化技术的GKPCM | 第58-60页 |
| §4.3.3 实验分析与实际应用 | 第60-61页 |
| §4.3.4 GKPCM算法总结 | 第61-62页 |
| 第五章 一类核模糊聚类算法的收敛性 | 第62-74页 |
| §5.1 IKFCM1算法的收敛性 | 第62-70页 |
| §5.2 IKFCM2与IKDFCM算法的收敛性 | 第70-71页 |
| §5.3 基于核的FCM算法的收敛性 | 第71-74页 |
| 第六章 无监督多尺度聚类算法 | 第74-92页 |
| §6.1 引言 | 第74-75页 |
| §6.2 修正的IFCM算法(MIFCM) | 第75-77页 |
| §6.3 UMF的目标函数 | 第77-78页 |
| §6.4 多尺度因子与多尺度性质 | 第78-80页 |
| §6.5 聚类有效性 | 第80-81页 |
| §6.6 η的离散化方法 | 第81页 |
| §6.7 UMF的概率解释:一种新的MS聚类算法 | 第81-84页 |
| §6.8 UMF算法 | 第84-85页 |
| §6.9 快速UMF算法(FUMF) | 第85-87页 |
| §6.10 实验分析 | 第87-88页 |
| §6.10.1 UMF算法性能测试 | 第87页 |
| §6.10.2 FUMF算法性能测试 | 第87-88页 |
| §6.11 其它应用 | 第88-92页 |
| §6.11.1 利用UMF判定数据是否存在聚类结构 | 第88-90页 |
| §6.11.2 利用UMF改进其它聚类算法 | 第90-92页 |
| 结论与展望 | 第92-94页 |
| 参考文献 | 第94-106页 |
| 附录 | 第106-114页 |
| 攻博期间已完成和发表的学术论文 | 第114-116页 |
| 致谢 | 第116-117页 |
| 中文摘要 | 第117-121页 |
| Abstract | 第121-125页 |
