移动数据的预估聚类分析算法研究
| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 第一章 绪论 | 第11-16页 |
| ·引言 | 第11页 |
| ·国内外研究现状及面临的挑战 | 第11-13页 |
| ·国外研究现状 | 第11-12页 |
| ·国内研究现状 | 第12-13页 |
| ·数据挖掘的挑战 | 第13页 |
| ·本文研究的意义及主要内容 | 第13-16页 |
| ·本文研究的意义 | 第13-14页 |
| ·本文研究的主要内容 | 第14-15页 |
| ·本文的组织 | 第15-16页 |
| 第二章 聚类分析概述 | 第16-22页 |
| ·聚类分析的基本概念 | 第16-17页 |
| ·聚类分析中的数据类型 | 第17-20页 |
| ·聚类分析的主要算法 | 第20-22页 |
| 第三章 静态数据的聚类算法的分析与研究 | 第22-33页 |
| ·聚类准则 | 第22-24页 |
| ·基于距离的聚类 | 第22-23页 |
| ·基于密度的聚类 | 第23-24页 |
| ·基于联接的聚类 | 第24页 |
| ·簇的表示 | 第24-27页 |
| ·代表对象点表示 | 第25页 |
| ·密度区域表示 | 第25-26页 |
| ·单元格表示 | 第26-27页 |
| ·概率模型表示 | 第27页 |
| ·算法结构 | 第27-29页 |
| ·优化方式 | 第27-28页 |
| ·凝聚方式 | 第28页 |
| ·分裂方式 | 第28-29页 |
| ·组合聚类算法 | 第29-31页 |
| ·Hybrid：距离＋密度 | 第29-30页 |
| ·CHAMELEON：距离＋连接度 | 第30页 |
| ·GAmeans:遗传算法＋k-means | 第30页 |
| ·DENCLUE：广义的密度方法 | 第30-31页 |
| ·基于网格的最小生成树聚类算法 | 第31-33页 |
| ·最小生成树算法 | 第31-32页 |
| ·基于网格的最小生成树聚类算法 | 第32-33页 |
| 第四章 移动数据的聚类分析 | 第33-43页 |
| ·基于移动信息的k-means 算法 | 第33-35页 |
| ·k-means 算法简介 | 第33-34页 |
| ·基于移动信息的k-means 算法 | 第34-35页 |
| ·基于网格的移动数据的聚类分析 | 第35-39页 |
| ·GDCLUS 算法 | 第36-37页 |
| ·数据点的插入 | 第37-38页 |
| ·数据点的删除 | 第38-39页 |
| ·对位置（移动）数据库的聚类分析 | 第39-43页 |
| ·动态重组问题的描述 | 第40-41页 |
| ·对位置（移动）数据库的聚类算法 | 第41-43页 |
| 第五章 移动数据预估聚类算法 | 第43-50页 |
| ·移动数据的数学模型 | 第43-45页 |
| ·移动数据的预估聚类算法 | 第45-50页 |
| ·数据对象初始聚类 | 第46-47页 |
| ·使用网格的方法生成各微簇 | 第47-48页 |
| ·分裂事件的识别与处理 | 第48-49页 |
| ·相交事件的识别与处理 | 第49-50页 |
| 第六章 实验分析验证 | 第50-57页 |
| ·实验一：基于网格的最小生成树聚类算法 | 第50-52页 |
| ·测试数据集 | 第50页 |
| ·性能评价 | 第50-52页 |
| ·实验二：移动数据的预估聚类算法 | 第52-57页 |
| ·测试数据集 | 第52-53页 |
| ·性能评价 | 第53-57页 |
| 结论与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录（攻读硕士学位期间发表的论文） | 第64页 |
