杨属种质资源数据挖掘研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-25页 |
| ·研究背景 | 第9-11页 |
| ·研究的背景和现状 | 第9-10页 |
| ·研究的目的和意义 | 第10-11页 |
| ·研究的发展趋势 | 第11页 |
| ·杨属种质资源的研究及利用 | 第11-16页 |
| ·种质资源的概念及价值 | 第11-13页 |
| ·遗传多样性研究及其意义 | 第13-14页 |
| ·林木遗传育种及良种繁育研究 | 第14页 |
| ·杨属种质资源的研究及利用 | 第14-16页 |
| ·数据挖掘和知识发现 | 第16-22页 |
| ·数据挖掘的概念和起源 | 第16-18页 |
| ·数据挖掘的功能 | 第18-19页 |
| ·数据挖掘的技术和方法 | 第19-21页 |
| ·数据挖掘的应用 | 第21-22页 |
| ·研究内容和方法 | 第22-25页 |
| ·研究的主要内容 | 第22-23页 |
| ·研究方法和技术路线 | 第23-24页 |
| ·研究的预期结果 | 第24-25页 |
| 2 用于数据挖掘的聚类算法 | 第25-44页 |
| ·聚类分析概述 | 第25-27页 |
| ·聚类的概念 | 第25-26页 |
| ·聚类分析在数据挖掘中的应用 | 第26-27页 |
| ·数学背景知识 | 第27-31页 |
| ·样品与指标 | 第27页 |
| ·距离量度 | 第27-30页 |
| ·相似量度 | 第30-31页 |
| ·划分聚类算法 | 第31-33页 |
| ·基本原理及评价函数 | 第31-32页 |
| ·k均值算法 | 第32页 |
| ·k中值算法 | 第32-33页 |
| ·其他划分聚类算法 | 第33页 |
| ·层次聚类算法 | 第33-36页 |
| ·AGNES算法 | 第34页 |
| ·DIANA算法 | 第34-35页 |
| ·其它层次聚类算法 | 第35-36页 |
| ·密度聚类方法 | 第36-38页 |
| ·DBSCAN算法 | 第36-37页 |
| ·OPTICS算法 | 第37-38页 |
| ·人工智能方法 | 第38-43页 |
| ·人工智能及机器学习 | 第38-40页 |
| ·FCM算法 | 第40页 |
| ·SOM自组织神经元网络 | 第40-42页 |
| ·遗传算法 | 第42-43页 |
| ·小结 | 第43-44页 |
| 3.聚类分析系统的设计与实现 | 第44-76页 |
| ·系统分析与设计 | 第44-48页 |
| ·系统分析 | 第44-46页 |
| ·系统设计 | 第46-48页 |
| ·系统实现的技术基础 | 第48-49页 |
| ·Microsoft.Net Framework | 第48页 |
| ·C#程序设计语言 | 第48-49页 |
| ·聚类算法的分析与实现 | 第49-67页 |
| ·算法的总体设计 | 第49-50页 |
| ·k-means算法的设计与实现 | 第50-52页 |
| ·k-mediods算法的设计与实现 | 第52-53页 |
| ·FCM算法的设计与实现 | 第53-54页 |
| ·CURE算法的设计与实现 | 第54-56页 |
| ·SOM神经网络的设计与实现 | 第56-60页 |
| ·遗传聚类算法的设计与实现 | 第60-66页 |
| ·遗传聚类算法的k-mediods优化 | 第66-67页 |
| ·系统的总体实现 | 第67-75页 |
| ·计算数据的离散系数 | 第67页 |
| ·系统的界面及菜单 | 第67-68页 |
| ·简单的聚类操作实例 | 第68-75页 |
| ·小结 | 第75-76页 |
| 4 数据挖掘聚类算法的评价与测试 | 第76-95页 |
| ·聚类的评价 | 第76-77页 |
| ·聚类有效性函数 | 第76-77页 |
| ·聚类有效性评价 | 第77页 |
| ·测试方法 | 第77-81页 |
| ·测试的方法 | 第77-78页 |
| ·测试数据的来源 | 第78-79页 |
| ·测试结果的比较 | 第79-80页 |
| ·聚类测试的软硬件环境 | 第80-81页 |
| ·聚类算法测试 | 第81-93页 |
| ·聚类类别数k的确定 | 第81-85页 |
| ·k-means算法聚类测试 | 第85页 |
| ·k-mediods算法聚类测试 | 第85-86页 |
| ·FCM算法聚类测试 | 第86-88页 |
| ·CURE算法聚类测试 | 第88页 |
| ·遗传算法聚类测试 | 第88-90页 |
| ·自组织神经元网络聚类测试 | 第90-93页 |
| ·算法的性能分析 | 第93-94页 |
| ·不同算法的比较分析 | 第93-94页 |
| ·聚类算法特征及改进措施 | 第94页 |
| ·小结 | 第94-95页 |
| 5 基于聚类分析的杨属无性系叶片数据挖掘 | 第95-109页 |
| ·实验数据和目标 | 第95页 |
| ·数据来源和概况 | 第95页 |
| ·实验目标 | 第95页 |
| ·叶片数据的聚类分析 | 第95-104页 |
| ·数据分析的相关约定 | 第95-96页 |
| ·计算离散系数 | 第96页 |
| ·SOM神经网络考察数据分布状况 | 第96-97页 |
| ·最佳聚类数目的确定 | 第97-98页 |
| ·最佳聚类数情况下的聚类及结果 | 第98-99页 |
| ·不同聚类数情况聚类分析 | 第99-104页 |
| ·基于聚类分析的数据挖掘与知识发现 | 第104-108页 |
| ·数据挖掘的方法 | 第104页 |
| ·"原子簇"的发掘 | 第104-106页 |
| ·孤立点的信息价值 | 第106-107页 |
| ·发掘的部分知识归纳 | 第107-108页 |
| ·小结 | 第108-109页 |
| 6 研究成果与展望 | 第109-113页 |
| ·研究成果 | 第109页 |
| ·研究的特点 | 第109-110页 |
| ·存在的问题及改进 | 第110-113页 |
| 参考文献 | 第113-116页 |
| 附录 | 第116-129页 |
| 附录1 部分核心算法实现代码 | 第116-123页 |
| 代码1 聚类算法基类代码结构 | 第116-117页 |
| 代码2 k-means算法代码结构 | 第117页 |
| 代码3 k-mediods算法代码结构 | 第117-118页 |
| 代码4 FCM算法代码结构 | 第118-119页 |
| 代码5 CURE算法代码结构 | 第119页 |
| 代码6 SOM自组织神经元网络代码结构 | 第119-120页 |
| 代码7 遗传算法GA代码结构 | 第120-123页 |
| 附录2 数据分析结果表格 | 第123-129页 |
| 表1 叶片原始数据离散系数 | 第123-126页 |
| 表2 聚类数从10变为9时的聚类变化情况 | 第126页 |
| 表3 聚类数从9变为8时的聚类变化情况 | 第126-127页 |
| 表4 聚类数从8变为7时的聚类变化情况 | 第127页 |
| 表5 CURE算法聚类10类 | 第127-128页 |
| 表6 CURE算法聚类3类 | 第128-129页 |
| 个人简介 | 第129-130页 |
| 导师简介 | 第130-131页 |
| 获得成果目录清单 | 第131-132页 |
| 致谢 | 第132页 |
