基于密度峰值和维度概率模型的混合属性数据聚类研究 |
论文目录 | | | 摘要 | 第1-7页 | | ABSTRACT | 第7-12页 | | 第1章 绪论 | 第12-33页 | | 1.1 引言 | 第12-13页 | | 1.2 聚类分析的本质 | 第13-17页 | | 1.2.1 数据的结构和表示 | 第13-14页 | | 1.2.2 数据属性的类型 | 第14页 | | 1.2.3 聚类的数学表示 | 第14-16页 | | 1.2.4 聚类分析的方法 | 第16-17页 | | 1.3 聚类分析的关键问题 | 第17-24页 | | 1.3.1 聚簇的表示 | 第18页 | | 1.3.2 数据对象间的相似性度量 | 第18-20页 | | 1.3.3 聚簇数目的确定 | 第20-22页 | | 1.3.4 聚类分析的质量评价 | 第22-24页 | | 1.4 混合属性数据聚类的研究现状 | 第24-29页 | | 1.4.1 类型转换方法 | 第25-26页 | | 1.4.2 聚类融合方法 | 第26-27页 | | 1.4.3 基于原型的方法 | 第27-28页 | | 1.4.4 层次聚类方法 | 第28页 | | 1.4.5 密度聚类方法 | 第28-29页 | | 1.4.6 其他方法 | 第29页 | | 1.5 本文的主要工作和创新点 | 第29-31页 | | 1.6 本文的组织结构 | 第31-33页 | | 第2章 基于密度峰值的混合属性数据聚类研究 | 第33-45页 | | 2.1 密度峰值聚类算法 | 第33-34页 | | 2.2 密度峰值聚类算法的研究进展 | 第34-36页 | | 2.3 基于密度峰值的混合属性数据聚类算法(DPC_M) | 第36-40页 | | 2.3.1 混合属性统一距离度量方法 | 第36-37页 | | 2.3.2 DPC_M算法 | 第37-39页 | | 2.3.3 离散序列拐点的计算 | 第39-40页 | | 2.3.4 算法复杂度分析 | 第40页 | | 2.4 实验分析 | 第40-43页 | | 2.4.1 实验数据集 | 第40-41页 | | 2.4.2 算法有效性实验 | 第41-43页 | | 2.4.3 参数p的影响分析实验 | 第43页 | | 2.5 本章小结 | 第43-45页 | | 第3章 基于密度峰值的混合属性数据自适应融合聚类研究 | 第45-57页 | | 3.1 相关工作 | 第45-47页 | | 3.2 分段融合聚类框架 | 第47-49页 | | 3.2.1 混合属性数据聚类的数学定义 | 第47页 | | 3.2.2 混合属性数据的聚类融合框架 | 第47-48页 | | 3.2.3 混合属性数据的分段聚类融合框架 | 第48-49页 | | 3.2.4 聚类框架应用的关键问题 | 第49页 | | 3.3 基于密度峰值的分段融合聚类算法 | 第49-52页 | | 3.3.1 kMM算法 | 第49-50页 | | 3.3.2 ACEDP算法 | 第50-52页 | | 3.4 实验分析 | 第52-56页 | | 3.4.1 数据集简介 | 第53页 | | 3.4.2 kMM算法的可行性分析 | 第53-54页 | | 3.4.3 ACEDP算法的可行性分析 | 第54-55页 | | 3.4.4 ACEDP算法参数p的影响分析 | 第55-56页 | | 3.5 本章小结 | 第56-57页 | | 第4章 混合属性数据的距离度量研究 | 第57-73页 | | 4.1 混合属性数据的相似性度量方法 | 第57-67页 | | 4.1.1 Gower距离 | 第57-58页 | | 4.1.2 K-Prototypes距离 | 第58-59页 | | 4.1.3 OCIL改进距离 | 第59-60页 | | 4.1.4 Goodall距离 | 第60-62页 | | 4.1.5 UDM等其他距离 | 第62页 | | 4.1.6 距离计算示例 | 第62-67页 | | 4.2 实验对比分析 | 第67-72页 | | 4.2.1 聚类效果对比 | 第67-69页 | | 4.2.2 运行时间对比 | 第69-71页 | | 4.2.3 结果及讨论 | 第71-72页 | | 4.3 本章小结 | 第72-73页 | | 第5章 维度概率模型及其层次聚类研究 | 第73-86页 | | 5.1 维度概率摘要模型 | 第73-76页 | | 5.1.1 维度距离 | 第73-74页 | | 5.1.2 相关定义 | 第74-76页 | | 5.2 基于维度概率摘要模型的层次聚类 | 第76-81页 | | 5.2.1 聚类思路 | 第76-77页 | | 5.2.2 算法流程 | 第77-78页 | | 5.2.3 DPMC算法关键问题 | 第78-80页 | | 5.2.4 DPMC的凝聚层次聚类 | 第80-81页 | | 5.3 实验分析 | 第81-84页 | | 5.3.1 有效性实验 | 第81-82页 | | 5.3.2 自动确定簇数目实验 | 第82-83页 | | 5.3.3 m值参数调节实验 | 第83-84页 | | 5.3.4 算法效率分析 | 第84页 | | 5.4 本章小结 | 第84-86页 | | 第6章 基于密度峰值和维度概率模型的混合属性数据聚类 | 第86-97页 | | 6.1 相关定义 | 第86-88页 | | 6.2 计算示例 | 第88-89页 | | 6.3 DPKM/DPM聚类算法 | 第89-91页 | | 6.3.1 聚类思路 | 第89-90页 | | 6.3.2 算法流程 | 第90-91页 | | 6.3.3 算法复杂度分析 | 第91页 | | 6.4 实验分析 | 第91-96页 | | 6.4.1 实验数据集 | 第91-92页 | | 6.4.2 算法聚类效果比较实验 | 第92-93页 | | 6.4.3 DPKM算法的收敛性及迭代效果实验研究 | 第93-94页 | | 6.4.4 实验结果分析讨论 | 第94-96页 | | 6.5 本章小结 | 第96-97页 | | 第7章 结论与展望 | 第97-99页 | | 7.1 结论 | 第97-98页 | | 7.2 展望 | 第98-99页 | | 参考文献 | 第99-108页 | | 致谢 | 第108-109页 | | 攻读学位期间参加的科研项目和成果 | 第109页 |
|
|
|
| |
