模糊聚类算法及应用

• 作者：蔡静颖 著作

• 出版社：冶金工业出版社

• 定价：27

• ISBN：9787502470159

• 出版时间：2015年08月01日

目录

1  绪论
1.1  聚类分析的概述
1.2  聚类分析的基础概念
1.2.1  聚类算法的主要类型
1.2.2  聚类分析的相似度和相异度
1.3  聚类分析算法
1.3.1  聚类算法性能的衡量指标
1.3.2  基于划分的聚类算法
1.3.3  基于层次的聚类算法
1.3.4  基于密度的聚类算法
1.3.5  基于网格的聚类算法
1.3.6  基于模型的聚类算法
1.4  聚类分析算法面临的问题
1.5  本章小结
2  模糊理论基础
2.1  模糊集的定义和表示方法
2.1.1  模糊集的定义
2.1.2  模糊集的表示方法
2.2  模糊集的基本概念
2.2.1  模糊集合的基本运算
2.2.2  模糊集的性质
2.2.3  隶属度函数
2.3  模糊聚类分析
2.3.1  模糊聚类分析步骤
2.3.2  最佳阈值A的确定
2.4  模糊聚类分析应用
2.5  本章小结
3  模糊c-均值算法及分析
3.1  硬c-均值算法
3.2  模糊c-均值算法
3.3  模糊c-均值聚类算法的研究现状
3.3.1  模糊聚类目标函数的演化
3.3.2  模糊聚类算法实现途径的研究
3.3.3  模糊聚类有效性的研究
3.4  模糊c一均值算法存在的问题
3.5  本章小结
4  马氏距离基本原理和处理方法
4.1  马氏距离方法基本原理
4.2  马氏距离中奇异问题的解决方法
4.3  马氏距离的应用
4.3.1  马氏距离在模式识别中的应用
4.3.2  马氏距离在其他领域的应用
4.4  本章小结
5  马氏距离在模糊聚类中的应用
5.1  基于马氏距离的FCM算法(F'CM―M)
5.1.1  新算法提出
5.1.2  实验结果及分析
5.2  基于马氏距离特征加权的模糊距离新算法(MF―FCM)
5.2.1  马氏距离特征加权新方法
5.2.2  实验结果及分析
5.3  基于马氏距离的模糊c一均值增量学习算法
5.3.1  增量学习的研究背景和意义
5.3.2  基于马氏距离的模糊c一均值增量学习算法概述
5.3.3  算法应用举例
5.4  马氏距离在模糊聚类中应用存在的问题
5.5  本章小结
6  基于优化KPCA特征提取的FCM算法
6.1  核主元分析(KPCA)的原理
6.1.1  主元分析(PCA)简介
6.1.2  核主元分析(KPCA)原理
6.2  文化算法的原理
6.3  KPCA算法的优化
6.4  基于优化KPCA特征提取的FCM算法
6.4.1  算法概述
6.4.2  算法应用举例
6.5  本章小结
7  模糊聚类算法在软件测试中的应用
7.1  软件测试方法
7.1.1  测试分类
7.1.2  本地化测试
7.1.3  白盒测试
7.1.4  黑盒测试
7.1.5  静态测试和动态测试
7.1.6  主动测试和被动测试
7.2  软件缺陷与缺陷模式
7.2.1  软件缺陷的类别
7.2.2  软件缺陷的分类标准
7.2.3  软件缺陷的构成
7.2.4  软件缺陷的严重性和优先级
7.2.5  软件缺陷的管理
7.3  基于模糊c-均值的等价类划分法
7.3.1  算法描述
7.3.2  算法的实验验证
7.4  本章小结
参考文献

内容简介