| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-22页 |
| 1.1 课题研究的背景 | 第9-10页 |
| 1.2 地灾系统降雨量数据挖掘的意义 | 第10页 |
| 1.3 数据挖掘 | 第10-14页 |
| 1.3.1 数据挖掘步骤 | 第11页 |
| 1.3.2 数据挖掘的发展历程 | 第11-12页 |
| 1.3.3 数据挖掘功能 | 第12页 |
| 1.3.4 数据挖掘的任务 | 第12-14页 |
| 1.4 聚类分析 | 第14-20页 |
| 1.4.1 聚类分析的概念 | 第14页 |
| 1.4.2 聚类与分类 | 第14-15页 |
| 1.4.3 距离和相似度的测量方法 | 第15-17页 |
| 1.4.5 聚类分析准则 | 第17页 |
| 1.4.6 聚类算法分类 | 第17-20页 |
| 1.5 传统K-means聚类算法的国内外研究现状 | 第20-21页 |
| 1.6 论文主要内容及组织结构 | 第21页 |
| 1.7 本章小结 | 第21-22页 |
| 2 几种主要的聚类算法 | 第22-30页 |
| 2.1 传统K-means聚类算法 | 第22-25页 |
| 2.1.1 K-means聚类算法概述 | 第22-23页 |
| 2.1.2 K-means聚类算法详述 | 第23-24页 |
| 2.1.3 K-means聚类算法性能分析 | 第24-25页 |
| 2.2 UPGMA聚类算法 | 第25-27页 |
| 2.2.1 UPGMA算法的基本思想 | 第25-26页 |
| 2.2.2 UPGMA算法的基本流程 | 第26页 |
| 2.2.3 UPGMA算法的性能分析 | 第26-27页 |
| 2.3 Canopy聚类算法 | 第27-29页 |
| 2.3.1 Canopy算法定义 | 第27页 |
| 2.3.2 Canopy算法基本思想与流程 | 第27-29页 |
| 2.3.3 Canopy算法性能分析 | 第29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 一种改进的CMU-kmeans算法 | 第30-40页 |
| 3.1 随机抽样技术在聚类算法中的应用 | 第30-32页 |
| 3.1.1 抽样技术基本理论 | 第30-31页 |
| 3.1.2 概率抽样基本类型 | 第31页 |
| 3.1.3 抽样技术在数据挖掘中的实现方法 | 第31-32页 |
| 3.2 UPGMA算法的改进 | 第32-36页 |
| 3.2.1 改进UPGMA算法的基本思路 | 第32-33页 |
| 3.2.2 对初始聚类中心候选点的选择 | 第33-35页 |
| 3.2.3 改进的UPGMA算法描述 | 第35页 |
| 3.2.4 对UPGMA改进算法的性能分析 | 第35-36页 |
| 3.3 Canopy算法的改进 | 第36-38页 |
| 3.3.1 改进Canopy算法的基本思路 | 第36-38页 |
| 3.3.2 改进Canopy算法的局限性分析 | 第38页 |
| 3.4 CMU-kmeans算法 | 第38-39页 |
| 3.5 本章总结 | 第39-40页 |
| 4 实验与结果分析 | 第40-45页 |
| 4.1 实验数据 | 第40页 |
| 4.2 实验环境 | 第40页 |
| 4.3 初始参数设置 | 第40-41页 |
| 4.4 算法性能评价标准 | 第41页 |
| 4.5 实验内容和结果分析 | 第41-44页 |
| 4.6 本章小结 | 第44-45页 |
| 5 CMU-kmeans算法在地质灾害监测系统中的应用 | 第45-51页 |
| 5.1 地质灾害监测系统中数据挖掘技术的意义 | 第45页 |
| 5.2 聚类分析数据对象的选择 | 第45-46页 |
| 5.3 CMU-kmeans聚类算法在地灾数据上实验及其结果 | 第46-50页 |
| 5.3.1 数据处理及其标准化 | 第46-48页 |
| 5.3.2 实验结果 | 第48-50页 |
| 5.4 本章小结 | 第50-51页 |
| 6 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51页 |
| 6.2 以后要研究的方向 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表的论文 | 第57-58页 |
| 致谢 | 第58-61页 |
