| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 机器学习研究现状 | 第13-17页 |
| 1.2.1 聚类研究现状 | 第13-15页 |
| 1.2.2 回归模型研究现状 | 第15-17页 |
| 1.3 课题研究内容和本章结构 | 第17-20页 |
| 第二章 单趟贝叶斯模糊聚类算法 | 第20-40页 |
| 2.1 引言 | 第20-21页 |
| 2.2 BFC原理与方法 | 第21-22页 |
| 2.3 SPBFC方法 | 第22-25页 |
| 2.3.1 WBFC算法 | 第23-24页 |
| 2.3.2 SPBFC算法 | 第24-25页 |
| 2.4 SPBFC相关讨论 | 第25-27页 |
| 2.4.1 收敛性分析 | 第25-26页 |
| 2.4.2 时间复杂度分析 | 第26-27页 |
| 2.4.3 参数设置 | 第27页 |
| 2.5 实验与分析 | 第27-37页 |
| 2.5.1 评价标准 | 第27-29页 |
| 2.5.2 数据集 | 第29页 |
| 2.5.3 SPBFC与FCM的对比 | 第29-31页 |
| 2.5.4 2D5C、Brainweb和Skin数据集上的实验结果 | 第31-36页 |
| 2.5.5 图像分割 | 第36页 |
| 2.5.6 分块比例对SPBFC的影响 | 第36-37页 |
| 2.5.7 参数敏感性分析 | 第37页 |
| 2.6 本章小结 | 第37-40页 |
| 第三章 黑洞熵模糊聚类 | 第40-64页 |
| 3.1 引言 | 第40-43页 |
| 3.1.1 动机 | 第40页 |
| 3.1.2 相关工作 | 第40-41页 |
| 3.1.3 本章贡献和组织 | 第41-43页 |
| 3.2 基于黑洞熵的模糊聚类准则 | 第43-47页 |
| 3.2.1 聚类和黑洞现象 | 第43页 |
| 3.2.2 聚类和黑洞熵 | 第43-44页 |
| 3.2.3 黑洞熵和贝叶斯模糊聚类 | 第44-45页 |
| 3.2.4 黑洞熵的优点 | 第45-47页 |
| 3.3 黑洞熵模糊聚类BHEFC | 第47-49页 |
| 3.4 BHEFC的增量版本 | 第49-51页 |
| 3.4.1 BHEFC和IBHEFC的相关分析 | 第50页 |
| 3.4.2 参数设置 | 第50-51页 |
| 3.5 实验与分析 | 第51-61页 |
| 3.5.1 评价标准 | 第51-52页 |
| 3.5.2 数据集 | 第52-53页 |
| 3.5.3 BHEFC与BFC对比 | 第53-54页 |
| 3.5.4 2D5C，Brainweb和Skin数据集上的实验 | 第54-59页 |
| 3.5.5 图像分割 | 第59-60页 |
| 3.5.6 分块比例对IBHEFC的影响 | 第60-61页 |
| 3.5.7 参数敏感性分析 | 第61页 |
| 3.6 本章小结 | 第61-64页 |
| 第四章 一种具有最优保证特性的贝叶斯可能性聚类方法 | 第64-76页 |
| 4.1 引言 | 第64-65页 |
| 4.2 模糊聚类和可能性聚类原理 | 第65-66页 |
| 4.3 贝叶斯可能性聚类 | 第66-69页 |
| 4.3.1 BPC模型 | 第66-67页 |
| 4.3.2 BPC算法 | 第67-69页 |
| 4.4 BPC相关讨论 | 第69-70页 |
| 4.4.1 收敛性分析 | 第69-70页 |
| 4.4.2 复杂度分析 | 第70页 |
| 4.4.3 参数分析 | 第70页 |
| 4.5 实验与分析 | 第70-74页 |
| 4.5.1 实验设置 | 第70-71页 |
| 4.5.2 合成数据集 | 第71-72页 |
| 4.5.3 UCI数据集 | 第72-73页 |
| 4.5.4 图像数据集实验 | 第73-74页 |
| 4.6 本章小结 | 第74-76页 |
| 第五章 贝叶斯0阶TSK模糊系统 | 第76-96页 |
| 5.1 引言 | 第76-77页 |
| 5.2 0 阶TSK模糊系统和它的神经网络学习方法 | 第77-81页 |
| 5.3 B-ZTSK-FS建模方法 | 第81-87页 |
| 5.3.1 目标函数 | 第81-84页 |
| 5.3.2 参数学习 | 第84-86页 |
| 5.3.3 预测 | 第86-87页 |
| 5.3.4 模糊指数和狄利克雷指数 | 第87页 |
| 5.3.5 时间复杂度 | 第87页 |
| 5.4 试验与分析 | 第87-94页 |
| 5.4.1 实验设置 | 第88-90页 |
| 5.4.2 准确性和可解释性 | 第90-93页 |
| 5.4.3 计算时间和可扩展性 | 第93-94页 |
| 5.5 本章小结 | 第94-96页 |
| 第六章 面向属性效应控制的等均值约束支持向量回归机 | 第96-106页 |
| 6.1 引言 | 第96-97页 |
| 6.2 EM-LS算法 | 第97-98页 |
| 6.2.1 EM-LS基本原理 | 第97页 |
| 6.2.2 EM-LS方法及推导 | 第97-98页 |
| 6.3 EM-SVR算法 | 第98-100页 |
| 6.3.1 算法推导 | 第98-100页 |
| 6.3.2 EM-SVR算法相关讨论 | 第100页 |
| 6.4 实验与分析 | 第100-103页 |
| 6.4.1 实验方法和数据集 | 第100-101页 |
| 6.4.2 实验结果分析 | 第101-103页 |
| 6.5 本章小结 | 第103-106页 |
| 第七章 面向大规模数据属性效应控制的最小包含球快速非线性回归方法 | 第106-122页 |
| 7.1 引言 | 第106-107页 |
| 7.2 等均值支持向量回归机算法EM-SVR | 第107-110页 |
| 7.2.1 算法推导 | 第107-110页 |
| 7.2.2 时间复杂度分析 | 第110页 |
| 7.3 快速等均值核心向量回归机算法FEM-CVR | 第110-114页 |
| 7.3.1 最小包含球理论 | 第110-112页 |
| 7.3.2 FEM-CVR算法 | 第112-113页 |
| 7.3.3 时间复杂度分析 | 第113-114页 |
| 7.4 实验与分析 | 第114-120页 |
| 7.4.1 FEM-CVR和EM-LS，SVR的比较 | 第115-117页 |
| 7.4.2 大规模数据环境实验 | 第117-120页 |
| 7.5 本章小结 | 第120-122页 |
| 第八章 结束语 | 第122-126页 |
| 8.1 主要结论 | 第122-123页 |
| 8.2 展望 | 第123-126页 |
| 致谢 | 第126-127页 |
| 参考文献 | 第127-137页 |
| 附录 | 第137页 |
| 附录 1： 作者攻读博士学位期间发表的相关论文 | 第137页 |
| 附录 2： 攻读博士学位期间参加的科研项目列表 | 第137页 |
