| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 选题背景与研究意义 | 第12-13页 |
| 1.2 距离度量现状分析 | 第13-14页 |
| 1.3 本文的主要研究工作和内容安排 | 第14-16页 |
| 第二章 相关背景知识 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 聚类分析 | 第16-17页 |
| 2.2.1 聚类定义 | 第16页 |
| 2.2.2 聚类过程 | 第16-17页 |
| 2.3 聚类算法 | 第17-21页 |
| 2.3.1 K均值聚类算法(K-means) | 第18页 |
| 2.3.2 K中心点聚类算法(K-medoids) | 第18-19页 |
| 2.3.3 模糊C均值聚类算法(Fuzzy C-Means,FCM) | 第19-20页 |
| 2.3.4 谱聚类算法(Spectral Clustering,SC) | 第20-21页 |
| 2.4 距离度量 | 第21-24页 |
| 2.4.1 度量学习 | 第22-23页 |
| 2.4.2 传统距离度量方法 | 第23-24页 |
| 2.5 聚类算法的评估标准 | 第24-26页 |
| 2.5.1 外部指标 | 第24-25页 |
| 2.5.2 内部指标 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 基于有效距离的聚类算法 | 第27-38页 |
| 3.1 引言 | 第27-28页 |
| 3.2 有效距离 | 第28-30页 |
| 3.2.1 有效距离的意义 | 第28-29页 |
| 3.2.2 有效距离的构造 | 第29-30页 |
| 3.3 基于有效距离的聚类算法 | 第30-32页 |
| 3.3.1 基于有效距离的K均值聚类算法 | 第30-31页 |
| 3.3.2 基于有效距离的K中心点聚类算法 | 第31页 |
| 3.3.3 基于有效距离的模糊C均值聚类算法 | 第31-32页 |
| 3.3.4 基于有效距离的谱聚类算法 | 第32页 |
| 3.4 实验设计与结果分析 | 第32-37页 |
| 3.4.1 实验数据集 | 第32-33页 |
| 3.4.2 实验设置 | 第33-34页 |
| 3.4.3 实验结果与分析 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于融合欧氏距离与Kendall Tau距离的谱聚类算法 | 第38-48页 |
| 4.1 引言 | 第38-39页 |
| 4.2 Kendall Tau距离 | 第39-40页 |
| 4.3 基于Kendall Tau融合距离度量的谱聚类算法 | 第40-43页 |
| 4.3.1 Kendall Tau距离矩阵的构造 | 第40-41页 |
| 4.3.2 相似性矩阵的融合 | 第41-42页 |
| 4.3.3 基于融合距离的谱聚类 | 第42-43页 |
| 4.4 实验设计与结果分析 | 第43-47页 |
| 4.4.1 实验数据集 | 第43页 |
| 4.4.2 实验设置 | 第43-44页 |
| 4.4.3 实验结果与分析 | 第44-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 本文总结 | 第48-49页 |
| 5.2 未来工作展望 | 第49-50页 |
| 参考文献 | 第50-58页 |
| 致谢 | 第58-59页 |
| 在学期间的研究成果及发表的学术论文 | 第59页 |
