| 摘要 | 第8-10页 |
| ABSTRACT | 第10-12页 |
| 第一章 绪论 | 第16-33页 |
| 1.1 数据分析概述 | 第16-22页 |
| 1.1.1 数据的特征类型 | 第16-17页 |
| 1.1.2 高维的定义 | 第17-18页 |
| 1.1.3 数据分析的类型 | 第18-19页 |
| 1.1.4 微阵列数据表示及度量 | 第19-22页 |
| 1.2 聚类技术的研究现状及存在的问题 | 第22-29页 |
| 1.2.1 聚类技术的研究现状 | 第23-25页 |
| 1.2.2 高维数据聚类存在的问题及挑战 | 第25-27页 |
| 1.2.3 基因表达数据聚类方法及存在的问题 | 第27-29页 |
| 1.3 本文研究内容及创新 | 第29-31页 |
| 1.4 论文组织结构安排 | 第31-32页 |
| 1.5 小结 | 第32-33页 |
| 第二章 聚类分析技术综述 | 第33-58页 |
| 2.1 聚类分析技术的基础理论 | 第33-39页 |
| 2.1.1 聚类问题的定义及数学描述 | 第33-35页 |
| 2.1.2 聚类分析的基本步骤 | 第35-36页 |
| 2.1.3 相似性度量 | 第36-37页 |
| 2.1.4 聚类有效性评价指标 | 第37-39页 |
| 2.2 聚类技术概述 | 第39-57页 |
| 2.2.1 聚类方法分类标准 | 第39-41页 |
| 2.2.2 聚类方法分类 | 第41-43页 |
| 2.2.3 高维数据聚类方法 | 第43-48页 |
| 2.2.4 基于进化计算技术的聚类方法 | 第48-57页 |
| 2.3 小结 | 第57-58页 |
| 第三章 基于过滤的组合式特征选择方法及应用 | 第58-91页 |
| 3.1 引言 | 第58-59页 |
| 3.2 特征选择方法研究的基础理论 | 第59-65页 |
| 3.3 基于过滤的两阶段组合式特征选择算法 | 第65-69页 |
| 3.3.1 ReliefF 特征选择算法 | 第66-67页 |
| 3.3.2 FCBF 特征选择算法 | 第67-69页 |
| 3.3.3 基于过滤的两阶段组合式特征选择算法 | 第69页 |
| 3.4 实验及结果分析 | 第69-90页 |
| 3.4.1 实验数据集描述 | 第69-72页 |
| 3.4.2 实验设计及性能评估 | 第72-74页 |
| 3.4.3 UCI 机器学习数据集实验结果分析 | 第74-82页 |
| 3.4.4 基因表达数据分析及实验结果 | 第82-90页 |
| 3.5 小结 | 第90-91页 |
| 第四章 基于有效性指标的自动 KHM 聚类方法及应用 | 第91-115页 |
| 4.1 引言 | 第91-92页 |
| 4.2 经典划分聚类算法介绍 | 第92-95页 |
| 4.3 聚类有效性指标 | 第95-101页 |
| 4.4 基于有效性指标的自动 KHM 聚类算法 | 第101-105页 |
| 4.4.1 KHM 划分聚类算法 | 第101-103页 |
| 4.4.2 PBMF 指标 | 第103-104页 |
| 4.4.3 基于有效性指标的自动聚类算法 AKHM | 第104-105页 |
| 4.5 实验及结果分析 | 第105-114页 |
| 4.5.1 实验设计及性能评估 | 第105-106页 |
| 4.5.2 UCI 机器学习数据集实验结果分析 | 第106-108页 |
| 4.5.3 基因表达数据分析及实验结果 | 第108-114页 |
| 4.6 小结 | 第114-115页 |
| 第五章 基于 PSO 与 AKHM 混合的自动聚类方法及应用 | 第115-134页 |
| 5.1 引言 | 第115-116页 |
| 5.2 PSO 概述 | 第116-121页 |
| 5.2.1 PSO 算法产生的背景 | 第116-117页 |
| 5.2.2 PSO 算法原理 | 第117-120页 |
| 5.2.3 PSO 算法的优点 | 第120-121页 |
| 5.3 基于 PSO 与 AKHM 混合的自动聚类方法 | 第121-127页 |
| 5.3.1 PSO 算法伪码描述及流程图 | 第122-123页 |
| 5.3.2 动态自适应 PSO 算法 DAPSO | 第123-125页 |
| 5.3.3 自动聚类算法 PSOAKHM 及 DAPSOAKHM | 第125-127页 |
| 5.4 实验及结果分析 | 第127-133页 |
| 5.4.1 实验设计及性能评估 | 第127-128页 |
| 5.4.2 UCI 机器学习数据集实验结果分析 | 第128-129页 |
| 5.4.3 基因表达数据分析及实验结果 | 第129-133页 |
| 5.5 小结 | 第133-134页 |
| 第六章 基于 HS 与 KHM 混合的自动聚类方法及应用 | 第134-157页 |
| 6.1 引言 | 第134-135页 |
| 6.2 和声搜索算法概述及其流行变体 | 第135-140页 |
| 6.3 全局动态自适应和声搜索自动聚类算法 GDACHSKHM | 第140-149页 |
| 6.3.1 和声搜索算法 HS | 第141-142页 |
| 6.3.2 动态和声搜索自动聚类算法 DCHSKHM | 第142-145页 |
| 6.3.3 自适应和声搜索自动聚类算法 AHSKHM | 第145-147页 |
| 6.3.4 全局动态自适应和声搜索自动聚类算法 GDACHSKHM | 第147-149页 |
| 6.4 实验与结果分析 | 第149-156页 |
| 6.4.1 实验设计及性能评估 | 第149-150页 |
| 6.4.2 UCI 机器学习数据集实验结果分析 | 第150-151页 |
| 6.4.3 基因表达数据分析及实验结果 | 第151-156页 |
| 6.5 小结 | 第156-157页 |
| 第七章 总结与展望 | 第157-159页 |
| 7.1 总结 | 第157-158页 |
| 7.2 展望 | 第158-159页 |
| 参考文献 | 第159-169页 |
| 作者攻读博士学位期间发表的学术论文 | 第169-170页 |
| 作者攻读博士学位期间参与的科研项目 | 第170-171页 |
| 致谢 | 第171-172页 |
