數(shù)據(jù)與數(shù)據(jù)流的聚類半監(jiān)督聚類及加權(quán)聚類

第一章 緒論
1.1 引言
1.2 本書的研究背景與意義
1.3 與本課題相關(guān)的國內(nèi)外研究進展
1.3.1 數(shù)據(jù)挖掘
1.3.2 特征選擇和特征加權(quán)
1.3.3 聚類分析
1.3.4 半監(jiān)督聚類
1.4 本書的主要內(nèi)容
第二章 面向數(shù)據(jù)流的加權(quán)聚類及演化分析
2.1 引言
2.2 問題描述及聚類、聚類簇的定義
2.2.1 聚類的數(shù)據(jù)結(jié)構(gòu)定義
2.2.2 聚類簇的數(shù)據(jù)結(jié)構(gòu)定義
2.2.3 聚類的加法和減法定理
2.3 聚類的融合及差與聚類簇的融合及差
2.3.1 聚類、聚類簇的數(shù)據(jù)結(jié)構(gòu)定義及相關(guān)算法
2.3.2 聚類差的數(shù)據(jù)結(jié)構(gòu)定義及相關(guān)算法
2.3.3 聚類的融合及差
2.3.4 聚類簇的融合及差
2.4 面向數(shù)據(jù)流的加權(quán)聚類分析及演化分析框架
2.5 仿真實驗
2.5.1 聚類及演化分析框架的實例說明
2.5.2 聚類簇的融合及演化分析的驗證實驗
2.6 結(jié)論
2.7 本章小結(jié)
第三章 混合屬性數(shù)據(jù)流的加權(quán)聚類及演化分析
3.1 引言
3.2 混合屬性數(shù)據(jù)流的聚類及聚類簇定義
3.2.1 有序?qū)傩陨系耐队熬垲惣巴队熬垲惔亟Y(jié)構(gòu)定義
3.2.2 無序類別屬性上的投影聚類及投影聚類簇結(jié)構(gòu)定義
3.2.3 無序類別屬性上的投影聚類結(jié)構(gòu)的第二種定義
3.2.4 混合屬性數(shù)據(jù)流的聚類及聚類簇結(jié)構(gòu)定義
3.2.5 混合屬性數(shù)據(jù)流的聚類和聚類簇的構(gòu)造方法
3.3 混合屬性數(shù)據(jù)流的兩步投影聚類方法
3.3.1 兩步投影聚類方法
3.3.2 兩步投影聚類方法的改進
3.3.3 求兩個有序集合的交集
3.4 混合屬性數(shù)據(jù)流的分段及融合聚類框架
3.4.1 分段策略
3.4.2 融合策略
3.5 仿真實驗
3.5.1 混合屬性數(shù)據(jù)集的兩步投影聚類方法的有效性驗證
3.5.2 混合屬性數(shù)據(jù)流的分段及融合聚類框架的有效性驗證
3.6 本章小結(jié)
第四章 推進式優(yōu)化特征權(quán)重的k-中心點聚類方法
4.1 引言
4.2 基于特征權(quán)重優(yōu)化的推進式k-中心點聚類算法
4.2.1 問題描述
4.2.2 基于特征權(quán)重優(yōu)化的推進式k-中心點聚類算法描述
4.3 相異性度量的第一種特征權(quán)重優(yōu)化方法
4.3.1 有序?qū)傩宰蛹奶卣鳈?quán)重優(yōu)化
4.3.2 無序?qū)傩宰蛹奶卣鳈?quán)重優(yōu)化
4.3.3 第一種特征權(quán)重優(yōu)化方法的描述
4.4 相異性度量的第二種特征權(quán)重優(yōu)化方法
4.4.1 最小化目標函數(shù)
4.4.2 最大化目標函數(shù)
4.4.3 最小化混合目標函數(shù)
4.4.4 參數(shù)λ和γ的自適應優(yōu)化
4.4.5 第二種特征權(quán)重優(yōu)化方法的描述
4.5 仿真實驗
4.5.1 仿真實驗設(shè)計
4.5.2 仿真實驗結(jié)果
4.5.3 實驗結(jié)果分析及結(jié)論
4.6 本章小結(jié)
第五章 基于半監(jiān)督學習的k平均聚類框架
5.1 引言
5.2 混合屬性數(shù)據(jù)點集的基于半監(jiān)督學習的k平均聚類框架
5.2.1 問題描述
5.2.2 基于半監(jiān)督學習的k平均聚類框架
5.3 基于半監(jiān)督學習的尼平均聚類方法
5.3.1 基于MST（Minimum Spanning Tree）的半監(jiān)督學習算法
5.3.2 基于MSF的半監(jiān)督學習算法
5.3.3 基于歸屬度的k平均聚類算法
5.4 仿真實驗
5.4.1 仿真實驗設(shè)計
5.4.2 仿真實驗結(jié)果
5.4.3 實驗結(jié)果分析及結(jié)論
5.5 本章小結(jié)
第六章 混合屬性數(shù)據(jù)集的基于近鄰連接的兩階段聚類算法
6.1 引言
6.2 問題描述與相關(guān)的定義及性質(zhì)
6.2.1 問題描述
6.2.2 定義與性質(zhì)
6.3 混合屬性數(shù)據(jù)集的基于近鄰連接的兩階段聚類算法
6.3.1 算法描述
6.3.2 算法的改進與時空復雜度分析
6.3.3 參數(shù)的設(shè)置與優(yōu)化
6.4 仿真實驗
6.4.1 仿真實驗設(shè)計
6.4.2 仿真實驗結(jié)果
6.4.3 實驗結(jié)果分析及結(jié)論
6.5 本章小結(jié)
第七章 面向混合屬性數(shù)據(jù)集的雙重聚類方法
7.1 引言
7.2 混合屬性數(shù)據(jù)集的雙重聚類方法
7.2.1 問題描述
7.2.2 雙重聚類方法的基本流程
7.2.3 雙重聚類方法
7.2.4 幾個算法的性能比較
7.3 仿真實驗
7.3.1 仿真實驗設(shè)計
7.3.2 仿真實驗結(jié)果
7.3.3 實驗結(jié)果分析及結(jié)論
7.4 本章小結(jié)
第八章 一種自適應優(yōu)化相異性度量的基于MST的半監(jiān)督聚類方法
8.1 引言
8.2 混合屬性數(shù)據(jù)點集的基于MST的半監(jiān)督聚類分析方法
8.2.1 問題描述
8.2.2 混合屬性數(shù)據(jù)點集的基于MST的半監(jiān)督聚類分析方法
8.2.3 混合屬性數(shù)據(jù)點集的相異性度量的定義
8.2.4 混合屬性數(shù)據(jù)點集的相異性度量的優(yōu)化
8.3 一種自適應優(yōu)化相異性度量的方法
8.3.1 算法描述
8.3.2 算法的討論及分析
8.4 基于MST的分離集合并聚類算法
8.4.1 算法描述
8.4.2 算法的討論及分析
8.5 仿真實驗
8.5.1 仿真實驗設(shè)計
8.5.2 仿真實驗結(jié)果
8.5.3 實驗結(jié)果分析及結(jié)論
8.6 本章小結(jié)
附錄1 第二章的數(shù)據(jù)結(jié)構(gòu)定義及相關(guān)算法的C語言實現(xiàn)
附錄2 第三章的數(shù)據(jù)結(jié)構(gòu)定義及相關(guān)算法的C語言函數(shù)聲明形式
參考文獻