| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-26页 |
| 1.1 研究背景和意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-22页 |
| 1.2.1 面向大规模数据的聚类算法 | 第15-17页 |
| 1.2.2 面向大规模复杂网络社区结构的聚类算法 | 第17-19页 |
| 1.2.3 面向大规模图像分割的聚类算法 | 第19-21页 |
| 1.2.4 面向大规模基因表达数据的聚类算法 | 第21-22页 |
| 1.3 论文研究内容与创新点 | 第22-24页 |
| 1.3.1 论文研究内容 | 第22-23页 |
| 1.3.2 创新点 | 第23-24页 |
| 1.4 本文组织结构 | 第24-26页 |
| 第2章 聚类算法的理论基础 | 第26-36页 |
| 2.1 划分聚类算法 | 第26-29页 |
| 2.1.1 k-means 聚类算法 | 第27-28页 |
| 2.1.2 k-medoids 聚类算法 | 第28-29页 |
| 2.2 谱聚类算法 | 第29-30页 |
| 2.3 层次聚类算法 | 第30-31页 |
| 2.4 密度聚类算法 | 第31-32页 |
| 2.5 网格聚类算法 | 第32-33页 |
| 2.6 模糊聚类算法 | 第33-34页 |
| 2.7 本章小结 | 第34-36页 |
| 第3章 面向大规模数据集的抽样划分聚类算法通用框架及MapReduce实现 | 第36-51页 |
| 3.1 引言 | 第36-37页 |
| 3.2 相关工作 | 第37-39页 |
| 3.3 抽样划分聚类通用框架 | 第39-43页 |
| 3.3.1 概述 | 第39-40页 |
| 3.3.2 抽样 | 第40-41页 |
| 3.3.3 计算初始质心 | 第41-42页 |
| 3.3.4 更新质心 | 第42-43页 |
| 3.3.5 标记数据点 | 第43页 |
| 3.4 MapReduce 实现 | 第43-47页 |
| 3.4.1 抽样 | 第45页 |
| 3.4.2 计算初始质心 | 第45-46页 |
| 3.4.3 标记数据点 | 第46页 |
| 3.4.4 更新质心 | 第46-47页 |
| 3.5 实验与结果分析 | 第47-50页 |
| 3.5.1 运行效率比较 | 第47-49页 |
| 3.5.2 聚类质量比较 | 第49页 |
| 3.5.3 抽样成本 | 第49-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第4章 面向大规模数据的高效并行谱聚类算法设计 | 第51-65页 |
| 4.1 引言 | 第51-52页 |
| 4.2 相关概念与描述 | 第52页 |
| 4.3 基于 Hadoop 的并行谱聚类算法设计 | 第52-60页 |
| 4.3.1 并行化计算相似矩阵 | 第52-54页 |
| 4.3.2 并行化计算k 个最小的特征向量 | 第54-56页 |
| 4.3.3 并行化 K-means 聚类 | 第56-59页 |
| 4.3.4 算法复杂度分析 | 第59-60页 |
| 4.4 实验与结果分析 | 第60-64页 |
| 4.4.1 实验环境 | 第60页 |
| 4.4.2 正确性验证 | 第60-61页 |
| 4.4.3 加速比测试 | 第61-63页 |
| 4.4.4 可扩展性分析 | 第63-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第5章 大规模时间演变网络社区发现的聚类集成算法 | 第65-78页 |
| 5.1 引言 | 第65-66页 |
| 5.2 相关工作 | 第66-67页 |
| 5.3 相关概念与描述 | 第67-69页 |
| 5.3.1 聚类集成 | 第67-68页 |
| 5.3.2 社区发现 | 第68-69页 |
| 5.4 基聚类 | 第69-73页 |
| 5.4.1 连通图的构建 | 第69-70页 |
| 5.4.2 分裂层次聚类 | 第70-73页 |
| 5.5 聚类集成算法 | 第73-74页 |
| 5.6 实验与结果分析 | 第74-77页 |
| 5.7 本章小结 | 第77-78页 |
| 第6章 面向大规模图像分割的加权半监督聚类算法 | 第78-92页 |
| 6.1 引言 | 第78-79页 |
| 6.2 相关工作 | 第79-80页 |
| 6.3 相关概念与描述 | 第80-83页 |
| 6.3.1 半监督学习 | 第80-82页 |
| 6.3.2 图像分割 | 第82-83页 |
| 6.4 加权半监督聚类算法 | 第83-84页 |
| 6.5 加权半监督聚类的图像分割 | 第84-85页 |
| 6.6 实验与结果分析 | 第85-91页 |
| 6.6.1 第一组图像集实验 | 第86-89页 |
| 6.6.2 第二组图像集实验 | 第89-91页 |
| 6.7 本章小结 | 第91-92页 |
| 第7章 面向基因数据的差异共表达双聚类算法 | 第92-105页 |
| 7.1 引言 | 第92-93页 |
| 7.2 相关工作 | 第93-94页 |
| 7.3 相关概念与描述 | 第94-96页 |
| 7.4 DCECluster 算法 | 第96-100页 |
| 7.4.1 基因差异共表达权值图的构造 | 第96-97页 |
| 7.4.2 基于剪枝策略的基因差异共表达双聚类挖掘 | 第97页 |
| 7.4.3 DCECluster 算法流程 | 第97-99页 |
| 7.4.4 时间复杂度分析 | 第99-100页 |
| 7.5 实验与结果分析 | 第100-104页 |
| 7.5.1 算法有效性分析 | 第100-101页 |
| 7.5.2 算法的运行时间比较 | 第101-102页 |
| 7.5.3 生物学意义评判 | 第102-104页 |
| 7.6 本章小结 | 第104-105页 |
| 第8章 总结与展望 | 第105-108页 |
| 8.1 总结 | 第105-106页 |
| 8.2 展望 | 第106-108页 |
| 参考文献 | 第108-126页 |
| 附录 攻读博士学位期间的研究成果目录 | 第126-128页 |
| 致谢 | 第128-129页 |