基于自组织映射神经网络的子空间学习算法研究
| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 特征选择方法 | 第9-10页 |
| 1.2.2 子空间聚类 | 第10-11页 |
| 1.2.3 基于子空间的分类 | 第11-12页 |
| 1.3 本文主要内容和结构安排 | 第12-14页 |
| 第2章 SOM神经网络概述 | 第14-22页 |
| 2.1 SOM神经网络基本原理 | 第14-16页 |
| 2.1.1 生物学依据 | 第14-15页 |
| 2.1.2 基本结构和原理 | 第15-16页 |
| 2.2 SOM神经网络主要参数设置 | 第16-18页 |
| 2.3 基于SOM的聚类分析 | 第18-19页 |
| 2.4 基于SOM的分类学习模型构建 | 第19-20页 |
| 2.5 本章小结 | 第20-22页 |
| 第3章 基于SOM神经网络的子空间聚类算法 | 第22-36页 |
| 3.1 问题提出 | 第22-24页 |
| 3.2 基于SOM的子空间聚类模型构建 | 第24-31页 |
| 3.2.1 维度子区域的确定 | 第24-26页 |
| 3.2.2 维度子区域合并 | 第26-30页 |
| 3.2.3 基于维度子区域的子空间聚类 | 第30-31页 |
| 3.3 实验结果和分析 | 第31-35页 |
| 3.3.1 人工数据集 | 第32-33页 |
| 3.3.2 UCI真实数据集 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于SOM神经网络的子空间集成分类算法 | 第36-58页 |
| 4.1 问题提出 | 第36-37页 |
| 4.2 基于SOM神经网络的集成分类模型构建 | 第37-44页 |
| 4.2.1 面向输入层的SOM神经网络 | 第37-38页 |
| 4.2.2 基于强相似神经元的特征相似度度量 | 第38-40页 |
| 4.2.3 基于重叠关联聚类的特征分组 | 第40-41页 |
| 4.2.4 SOM神经元类标号确定方法 | 第41-42页 |
| 4.2.5 基于SOM的集成分类模型构建 | 第42-44页 |
| 4.3 UCI数据集实验结果和分析 | 第44-55页 |
| 4.3.1 基于SOM的集成分类算法表现 | 第45-47页 |
| 4.3.2 与其他分类算法比较 | 第47-49页 |
| 4.3.3 子空间分析 | 第49-55页 |
| 4.4 电影评分预测中的应用 | 第55-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第5章 结论和展望 | 第58-60页 |
| 参考文献 | 第60-68页 |
| 致谢 | 第68页 |
