基于ECoS的自适应自学习聚类算法的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-18页 |
| ·研究背景和意义 | 第10-11页 |
| ·课题研究现状 | 第11-14页 |
| ·本文研究的主要工作 | 第14-16页 |
| ·论文结构 | 第16-18页 |
| 第二章 相关基础理论 | 第18-28页 |
| ·自适应学习 | 第18-19页 |
| ·人工神经网络 | 第19-22页 |
| ·ECoS系统 | 第22-26页 |
| ·本章小结 | 第26-28页 |
| 第三章 K-MEANS算法研究 | 第28-44页 |
| ·K-MEANS算法介绍 | 第28-29页 |
| ·K-MEANS算法自适应改进 | 第29-33页 |
| ·轮廓系数 | 第29-30页 |
| ·改进算法流程 | 第30-33页 |
| ·算法时空复杂度分析 | 第33-34页 |
| ·实验结果与分析 | 第34-42页 |
| ·优秀样本质量验证实验 | 第34-37页 |
| ·聚类时间比较 | 第37-39页 |
| ·聚类轮廓系数比 | 第39-41页 |
| ·聚类正确率比较 | 第41-42页 |
| ·本章小结 | 第42-44页 |
| 第四章 ECM算法学习与仿真 | 第44-52页 |
| ·ECM算法 | 第44-46页 |
| ·ECM增量学习 | 第46-48页 |
| ·ECM算法仿真 | 第48-50页 |
| ·训练模型阶段 | 第48-49页 |
| ·处理新数据阶段 | 第49-50页 |
| ·本章小结 | 第50-52页 |
| 第五章 径向基函数网络研究 | 第52-72页 |
| ·径向神经元与径向基函数网络模型 | 第52-54页 |
| ·径向基函数算法 | 第54-57页 |
| ·确定基函数中心 | 第54-55页 |
| ·计算方差 | 第55页 |
| ·学习权值 | 第55-57页 |
| ·优化中心学习阶段的径向基函数 | 第57-71页 |
| ·改进k-means算法在优化中心学习阶段的应用 | 第58-67页 |
| ·ECM算法在优化中心学习阶段的应用 | 第67-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 工作总结与展望 | 第72-74页 |
| ·本文工作与结论 | 第72-73页 |
| ·工作不足与展望 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 致谢 | 第80-82页 |
| 攻读学位期间发表的学术论文目录 | 第82页 |
