基于生成模型的聚类融合算法
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景及选题意义 | 第9-10页 |
| 1.1.1 研究现状 | 第10页 |
| 1.1.2 基于超图分割的算法 | 第10页 |
| 1.1.3 基于矩阵的方法 | 第10页 |
| 1.1.4 基于概率模型的方法 | 第10页 |
| 1.2 本文的主要贡献 | 第10-11页 |
| 1.3 本文结构安排 | 第11-13页 |
| 2 聚类分析与聚类融合 | 第13-22页 |
| 2.1 聚类算法概述 | 第13-15页 |
| 2.1.1 数据表示类型 | 第13页 |
| 2.1.2 聚类算法分类 | 第13-15页 |
| 2.2 聚类融合方法 | 第15-16页 |
| 2.2.1 聚类成员的产生 | 第15-16页 |
| 2.2.2 共识函数设计 | 第16页 |
| 2.3 混合概率模型和图模型 | 第16-19页 |
| 2.3.1 术语与符号 | 第16-17页 |
| 2.3.2 混合概率模型 | 第17页 |
| 2.3.3 图模型 | 第17-19页 |
| 2.3.4 有向图模型推理 | 第19页 |
| 2.4 EM 算法概述 | 第19页 |
| 2.5 融合算法有效性度量 | 第19-21页 |
| 2.5.1 平均互信息 | 第20-21页 |
| 2.6 本章小结 | 第21-22页 |
| 3 迭代投票算法 | 第22-32页 |
| 3.1 两种视角：列视角和行视角 | 第22-23页 |
| 3.2 迭代投票算法思想及流程 | 第23-25页 |
| 3.2.1 迭代投票算法思想 | 第23页 |
| 3.2.2 迭代投票算法流程 | 第23-24页 |
| 3.2.3 迭代投票算法原理 | 第24-25页 |
| 3.3 迭代投票算法对初始中心值的依赖性分析 | 第25页 |
| 3.4 迭代投票算法优化（IVC++） | 第25-26页 |
| 3.4.1 算法基本思想 | 第25-26页 |
| 3.4.2 算法详细流程 | 第26页 |
| 3.4.3 计算复杂度分析 | 第26页 |
| 3.5 实验与分析 | 第26-31页 |
| 3.5.1 数据集描述 | 第26-27页 |
| 3.5.2 聚类成员生成 | 第27页 |
| 3.5.3 IVC 和 IVC++的比较 | 第27-31页 |
| 3.6 本章小结 | 第31-32页 |
| 4 混合伯努利分布和 EM 算法 | 第32-47页 |
| 4.1 广义伯努利混合分布 | 第32-33页 |
| 4.2 隐变量表示 | 第33-35页 |
| 4.3 概率有向图模型 | 第35-36页 |
| 4.4 模型推断和参数估计 | 第36-38页 |
| 4.5 EM 算法 | 第38-43页 |
| 4.6 实验结果与分析 | 第43-46页 |
| 4.6.1 EM 算法有效性的验证 | 第43-44页 |
| 4.6.2 EM 和 EM++的比较 | 第44-46页 |
| 4.7 本章小结 | 第46-47页 |
| 5 遗传算法在混合模型推断中的应用 | 第47-56页 |
| 5.1 判断混合模型分支数的方法 | 第47-48页 |
| 5.1.1 模型选择信息准则 | 第48页 |
| 5.2 遗传算法介绍 | 第48-50页 |
| 5.2.1 遗传算法描述 | 第49页 |
| 5.2.2 遗传算法设计要点 | 第49-50页 |
| 5.3 基于遗传算法的 EM 算法（GA-EM） | 第50-52页 |
| 5.4 实验结果和分析 | 第52-55页 |
| 5.4.1 似然函数的过拟合现象 | 第52-53页 |
| 5.4.2 MDL 标准有效性 | 第53-55页 |
| 5.5 本章小节 | 第55-56页 |
| 6 总结与展望 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 致谢 | 第59-60页 |
| 个人简历 | 第60-61页 |
