摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
第一章 绪论 | 第12-19页 |
1.1 引言 | 第12页 |
1.2 研究工作的背景与意义 | 第12-14页 |
1.3 高维数据聚类国内外研究近况以及主要存在问题 | 第14-16页 |
1.4 本文的主要工作和章节安排 | 第16-19页 |
第二章 高维数据聚类相关理论 | 第19-31页 |
2.1 聚类分析 | 第19-24页 |
2.2 高维数据聚类分析 | 第24-26页 |
2.2.1 高维数据特性 | 第24页 |
2.2.2 传统聚类方法在高维数据上聚类的局限性 | 第24-25页 |
2.2.3 维度约减 | 第25-26页 |
2.2.4 研究子空间聚类方法的原因 | 第26页 |
2.3 子空间聚类 | 第26-30页 |
2.3.1 子空间相关理论 | 第27-28页 |
2.3.2 现有的子空间聚类算法 | 第28-30页 |
2.4 本章小结 | 第30-31页 |
第三章 稀疏子空间聚类算法理论研究以及改进 | 第31-49页 |
3.1 稀疏表达理论 | 第31-33页 |
3.1.1 稀疏表示理论基本原理介绍 | 第31-32页 |
3.1.2 Lp范数优化问题 | 第32-33页 |
3.2 谱聚类方法研究 | 第33-38页 |
3.2.1 图的基础理论 | 第33-35页 |
3.2.2 谱聚类算法研究 | 第35-38页 |
3.3 稀疏子空间聚类算法研究 | 第38-43页 |
3.3.1 稀疏子空间算法原理以及在理想数据集上的应用研究 | 第38-41页 |
3.3.2 稀疏子空间算法在实际数据集上的应用原理研究 | 第41-43页 |
3.4 对传统稀疏子空间聚类算法的改进 | 第43-48页 |
3.4.1 基于非对称拉普拉斯矩阵Lrw改进稀疏子空间聚类算法 | 第44-45页 |
3.4.2 基于权值矩阵预设K-means聚类初始聚类中心 | 第45-47页 |
3.4.3 实验仿真以及结果分析 | 第47-48页 |
3.5 本章小结 | 第48-49页 |
第四章 稀疏子空间聚类算法在纹理图像聚类上的应用 | 第49-60页 |
4.1 纹理图像聚类问题描述 | 第49-50页 |
4.2 基于LBP纹理图像高维特征提取 | 第50-54页 |
4.2.1 LBP的基本原理 | 第50-52页 |
4.2.2 基于多尺度LBP旋转不变算子提取纹理图像高维特征 | 第52-54页 |
4.3 利用改进的稀疏子空间聚类方法对纹理图像高维特征聚类 | 第54-57页 |
4.3.1 问题转换和稀疏优化问题求解 | 第54页 |
4.3.2 构造纹理图像相似图和划分图 | 第54-55页 |
4.3.3 完整算法 | 第55-57页 |
4.4 仿真实验与实验结果分析 | 第57-59页 |
4.4.1 仿真实验所用的纹理图像库介绍 | 第57页 |
4.4.2 仿真实验设计 | 第57页 |
4.4.3 实验结果及其分析 | 第57-59页 |
4.5 本章小结 | 第59-60页 |
第五章 稀疏子空间聚类算法在人脸图像聚类上的应用 | 第60-72页 |
5.1 基于LBP等价模式的人脸图像高维特征提取方法 | 第60-65页 |
5.1.1 LBP等价模式基本原理研究 | 第60-61页 |
5.1.2 基于图像分块和LBP等价模式的人脸图像特征提取方法 | 第61-65页 |
5.2 利用改进的稀疏子空间聚类方法对人脸图像特征聚类 | 第65-67页 |
5.2.1 人脸图像聚类问题转化和稀疏优化问题求解 | 第65页 |
5.2.2 构造人脸图像相似图和图划分 | 第65-66页 |
5.2.3 完整算法 | 第66-67页 |
5.3 仿真实验以及实验结果分析 | 第67-71页 |
5.3.1 仿真实验所用的人脸图像库介绍 | 第67页 |
5.3.2 仿真实验设计 | 第67-68页 |
5.3.3 实验结果分析 | 第68-71页 |
5.4 本章小结 | 第71-72页 |
第六章 全文总结与展望 | 第72-74页 |
6.1 论文总结 | 第72-73页 |
6.2 后期工作展望 | 第73-74页 |
致谢 | 第74-75页 |
参考文献 | 第75-80页 |
攻读硕士学位期间取得的成果 | 第80-81页 |