| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-18页 |
| ·课题研究的背景与主要意义 | 第9-10页 |
| ·数据挖掘技术在国内外研究现状 | 第10-11页 |
| ·数据挖掘技术的产生背景和相关概念 | 第11-12页 |
| ·数据挖掘技术的主要功能 | 第12-13页 |
| ·分类与预测 | 第12页 |
| ·挖掘频繁模式、关联和相关 | 第12-13页 |
| ·聚类分析 | 第13页 |
| ·概念/类描述 | 第13页 |
| ·离群点分析 | 第13页 |
| ·数据挖掘常用工具与选择 | 第13-16页 |
| ·数据挖掘流程 | 第16-17页 |
| ·论文组织结构与内容 | 第17-18页 |
| 第二章 数据挖掘方法与聚类分析技术 | 第18-27页 |
| ·常用数据挖掘方法简介 | 第18-19页 |
| ·统计学方法 | 第18页 |
| ·决策树方法 | 第18页 |
| ·关联规则 | 第18页 |
| ·神经网络方法 | 第18页 |
| ·可视化技术 | 第18-19页 |
| ·覆盖正例排斥反例方法 | 第19页 |
| ·遗传算法 | 第19页 |
| ·粗集方法 | 第19页 |
| ·证据理论 | 第19页 |
| ·聚类分析技术 | 第19-27页 |
| ·聚类的概念及形式描述 | 第19-20页 |
| ·聚类分析中的数据类型与数据结构 | 第20-21页 |
| ·聚类分析中的相似度的度量 | 第21-23页 |
| ·聚类算法应具备的特征 | 第23-24页 |
| ·聚类分析中的算法 | 第24-27页 |
| 第三章 K-均值算法分析及改进 | 第27-45页 |
| ·K-均值算法简介 | 第27-29页 |
| ·K-均值算法划分聚类方法对数据集进行聚类时的三个要点 | 第27-28页 |
| ·K-均值算法描述 | 第28页 |
| ·K-均值算法的流程与步骤 | 第28-29页 |
| ·K-均值算法的分析 | 第29-31页 |
| ·K-均值算法的主要优点 | 第30页 |
| ·K-均值算法的主要缺点 | 第30-31页 |
| ·K-均值算法缺点的解决方法 | 第31页 |
| ·K-均值算法的已有改进 | 第31-32页 |
| ·K-中心点算法对K-均值算法的改进 | 第31页 |
| ·基于近邻和密度思想的K-均值算法改进 | 第31-32页 |
| ·利用Dijkstra算法对K-均值聚类算法的改进 | 第32-45页 |
| ·Dijkstra算法思想的描述 | 第32-35页 |
| ·Dijkstra算法对K-均值聚类算法的改进 | 第35-38页 |
| ·改进的K-均值聚类算法的分析 | 第38-40页 |
| ·改进后的K-均值聚类算法的数据验证 | 第40-45页 |
| 第四章 改进后的K-均值聚类算法的应用 | 第45-54页 |
| ·改进后的K-均值算法在数控锅炉系统中的应用意义 | 第45-46页 |
| ·数控锅炉系统中的数据描述与处理 | 第46-49页 |
| ·改进后K-均值聚类算法在数控锅炉系统中的具体应用 | 第49-51页 |
| ·聚类结果的分析与经济效益 | 第51-54页 |
| 第五章 结论与展望 | 第54-56页 |
| ·结论 | 第54-55页 |
| ·展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59页 |
