第一个书签之前
摘 要
ABSTRACT
绪论
研究背景
研究现状
多核学习研究现状
超限学习机研究现状
序列数据研究现状
研究内容
基于超限学习机的聚类算法
基于鲁棒性多核学习的聚类算法
聚类算法在序列数据中的应用
论文结构
基于超限学习机的聚类算法
引言
相关算法
超限学习机
核方法
多核k-means算法
基于超限学习机的多样性引导的多核k-means算法
基于超限学习机的简单的多核k-means算法
基于超限学习机的多样性引导的多核k-means算法
优化求解
实验
数据集
对比算法
实验设置
实验结果
参数与收敛性分析
本章小节
基于鲁棒性多核学习的聚类算法
引言
鲁棒性多核谱聚类
谱聚类
单核背景
多核背景
低秩和多样性正则化项约束的多核学习算法
多样性正则化项
目标函数形式化
优化求解
实验
对比算法
实验设置
在合成数据集上的实验
在实际数据集上的实验
参数与收敛性分析
本章小结
聚类算法在序列数据中的应用
序列片段法
先验与优势
问题模型建立
聚集近似法符号化
随机掩码法
寻找序列片段
利用序列片段聚类
电路序列数据上的应用
时间序列趋势的分解
电路序列数据的相似性
电路序列数据聚类
声音序列数据上的应用
提取声音特征
声音序列数据聚类
本章小节
总结与展望
工作总结
工作展望
致谢
参考文献
作者在学期间取得的学术成果