| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 数据挖掘简介 | 第11-14页 |
| 1.2.1 数据挖掘发展背景 | 第11页 |
| 1.2.2 数据挖掘研究发展 | 第11-12页 |
| 1.2.3 聚类算法研究 | 第12-13页 |
| 1.2.4 聚类算法面临的挑战 | 第13-14页 |
| 1.3 本文的主要工作 | 第14-15页 |
| 1.4 本文的组织 | 第15-17页 |
| 第二章 聚类算法 | 第17-27页 |
| 2.1 聚类分析简介 | 第17-20页 |
| 2.1.1 聚类分析的基本概念 | 第17页 |
| 2.1.2 聚类分析的数据结构 | 第17-18页 |
| 2.1.3 聚类分析的度量方法 | 第18-20页 |
| 2.2 聚类方法介绍 | 第20-23页 |
| 2.3 基于划分方法 | 第23-25页 |
| 2.4 基于密度的方法 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于ε_0-领域搜索策略的K-medoids聚类算法 | 第27-39页 |
| 3.1 问题提出 | 第27-28页 |
| 3.2 密度初始化算法 | 第28-30页 |
| 3.2.1 生成ε_0-领域 | 第28-29页 |
| 3.2.2 初始化中心点流程 | 第29-30页 |
| 3.3 ε_0-领域搜索策略 | 第30-31页 |
| 3.3.1 提出ε_0-领域搜索策略依据 | 第30-31页 |
| 3.3.2 ε_0-领域搜索策略方法 | 第31页 |
| 3.4 准则函数优化 | 第31-32页 |
| 3.4.1 簇内距离 | 第31页 |
| 3.4.2 簇间距离 | 第31页 |
| 3.4.3 加权优化准则函数 | 第31-32页 |
| 3.5 改进算法步骤设计 | 第32-33页 |
| 3.6 算法仿真与结果分析 | 第33-38页 |
| 3.6.1 算法仿真 | 第33-34页 |
| 3.6.2 结果分析 | 第34-38页 |
| 3.7 本章小结 | 第38-39页 |
| 第四章 本文算法在入侵检测系统中的应用 | 第39-44页 |
| 4.1 聚类算法在入侵检测中的应用 | 第39-40页 |
| 4.2 实验仿真 | 第40-42页 |
| 4.3 结果分析 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 结论与展望 | 第44-46页 |
| 5.1 结论 | 第44页 |
| 5.2 展望 | 第44-46页 |
| 参考文献 | 第46-51页 |
| 致谢 | 第51-52页 |
| 附录 (攻读硕士学位期间发表论文) | 第52页 |