| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 划分式聚类算法 | 第11-13页 |
| 1.2.2 粒计算 | 第13-15页 |
| 1.3 本文主要内容和组织结构 | 第15-17页 |
| 第2章 聚类算法相关知识 | 第17-21页 |
| 2.1 聚类中的数据类型 | 第17-18页 |
| 2.2 聚类中常用的相似性度量方法 | 第18-19页 |
| 2.3 聚类算法分类 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 粒计算优化初始聚类中心的K-medoids聚类算法 | 第21-35页 |
| 3.1 新算法提出的背景及思路 | 第21-22页 |
| 3.2 K-medoids聚类算法介绍与分析 | 第22-23页 |
| 3.2.1 传统K-medoids算法 | 第22页 |
| 3.2.2 快速K-medoids聚类算法 | 第22页 |
| 3.2.3 基于粒计算的K-medoids聚类算法 | 第22-23页 |
| 3.3 新的初始聚类中心优化K-medoids聚类算法 | 第23-26页 |
| 3.3.1 粒度相关概念 | 第23-24页 |
| 3.3.2 本文定义的新概念 | 第24页 |
| 3.3.3 本文的粒化思想 | 第24-25页 |
| 3.3.4 本文改进的K-medoids聚类算法 | 第25-26页 |
| 3.3.5 算法时间性能分析 | 第26页 |
| 3.4 实验结果与分析 | 第26-32页 |
| 3.4.1 人工模拟数据集实验 | 第27-29页 |
| 3.4.2 UCI机器学习数据库数据集实验 | 第29-32页 |
| 3.5 本章小结 | 第32-35页 |
| 第4章 基于-扩展密度峰值的K-modes聚类算法 | 第35-49页 |
| 4.1 新算法提出的背景及思路 | 第35-36页 |
| 4.2 K-modes算法及其改进算法 | 第36-38页 |
| 4.2.1 K-modes算法 | 第36-37页 |
| 4.2.2 Ng's K-modes算法 | 第37-38页 |
| 4.3 DPC算法介绍及分析 | 第38页 |
| 4.4 本文新K-modes算法 | 第38-41页 |
| 4.4.1 算法思想 | 第38-39页 |
| 4.4.2 算法涉及公式和定义 | 第39-40页 |
| 4.4.3 算法步骤 | 第40页 |
| 4.4.4 算法时间复杂度分析 | 第40-41页 |
| 4.5 实验结果及分析 | 第41-48页 |
| 4.5.1 算法有效性实验及分析 | 第41-44页 |
| 4.5.2 算法可扩展性实验结果及分析 | 第44-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 研究展望 | 第50-51页 |
| 参考文献 | 第51-57页 |
| 致谢 | 第57-59页 |
| 攻读硕士学位期间的成果 | 第59页 |
