| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 绪论 | 第12-24页 |
| 1．1 数据挖掘概述 | 第12-19页 |
| 1．1．1 数据挖掘的产生 | 第12页 |
| 1．1．2 数据挖掘的基本概念 | 第12-13页 |
| 1．1．3 数据挖掘功能 | 第13-18页 |
| 1．1．3．1 类/概念描述 | 第13-14页 |
| 1．1．3．2 关联分析 | 第14-15页 |
| 1．1．3．3 分类与回归 | 第15页 |
| 1．1．3．4 聚类分析 | 第15-16页 |
| 1．1．3．5 序列分析与时序分析 | 第16-17页 |
| 1．1．3．6 孤立点分析 | 第17-18页 |
| 1．1．4 数据挖掘实际应用 | 第18-19页 |
| 1．2 本文研究的主要内容 | 第19-22页 |
| 1．2．1 聚类分析 | 第19-20页 |
| 1．2．2 模糊聚类 | 第20页 |
| 1．2．3 高斯混合模型 | 第20-21页 |
| 1．2．4 切换回归模型 | 第21-22页 |
| 1．3 本文的组织结构 | 第22-24页 |
| 第2章 聚类分析算法及应用 | 第24-49页 |
| 2．1 聚类分析的基本概念 | 第24-30页 |
| 2．1．1 聚类的定义 | 第24-25页 |
| 2．1．2 对聚类分析算法的典型要求 | 第25-26页 |
| 2．1．3 聚类分析中的数据类型 | 第26-30页 |
| 2．1．3．1 数据矩阵与相异度矩阵 | 第26-27页 |
| 2．1．3．2 求相异度方法 | 第27-30页 |
| 2．1．3．3 描述聚类的特征 | 第30页 |
| 2．2 主要聚类算法分类 | 第30-45页 |
| 2．2．1 划分方法(Partitioning Method) | 第30-34页 |
| 2．2．1．1 k - 平均算法 | 第31-32页 |
| 2．2．1．2 k - 中心点算法 | 第32-34页 |
| 2．2．2 层次方法(Hierarchical Method) | 第34-37页 |
| 2．2．2．1 BIRCH算法 | 第34-35页 |
| 2．2．2．2 CURE算法 | 第35-36页 |
| 2．2．2．3 ROCK算法 | 第36页 |
| 2．2．2．4 Chameleon算法 | 第36-37页 |
| 2．2．3 基于密度的方法(Density - based Method) | 第37-40页 |
| 2．2．3．1 DBSCAN算法 | 第38-39页 |
| 2．2．3．2 OPTICS算法 | 第39页 |
| 2．2．3．3 DENCLUE算法 | 第39-40页 |
| 2．2．4 基于网格的方法(Grid - based Method) | 第40-43页 |
| 2．2．4．1 STING算法 | 第40-42页 |
| 2．2．4．2 WaveCluster算法 | 第42页 |
| 2．2．4．3 CLIQUE算法 | 第42-43页 |
| 2．2．5 基于模型的方法(Model - based Method) | 第43-45页 |
| 2．2．5．1 统计学方法 | 第43-44页 |
| 2．2．5．2 神经网络方法 | 第44-45页 |
| 2．3 聚类分析的应用实例 | 第45-47页 |
| 2．4 本章小结 | 第47-49页 |
| 第3章 模糊集合理论与模糊聚类 | 第49-63页 |
| 3．1 模糊集合理论 | 第49-55页 |
| 3．1．1 模糊集合的基本概念 | 第49-51页 |
| 3．1．2 模糊集合的运算 | 第51-53页 |
| 3．1．3 模糊截集及其性质 | 第53-54页 |
| 3．1．4 分解定理 | 第54-55页 |
| 3．2 模糊关系与模糊聚类 | 第55-60页 |
| 3．2．1 模糊关系定义 | 第55-56页 |
| 3．2．2 模糊关系的运算与性质 | 第56-57页 |
| 3．2．3 模糊等价关系与模糊相似关系 | 第57-58页 |
| 3．2．4 模糊聚类及其算法 | 第58-60页 |
| 3．3 模糊聚类的应用实例 | 第60-62页 |
| 3．4 本章小结 | 第62-63页 |
| 第4章 高斯混合模型及其聚类算法 | 第63-77页 |
| 4．1 基本概念 | 第63-64页 |
| 4．2 EM算法 | 第64-67页 |
| 4．2．1 数据残缺问题与最大似然估计 | 第64-65页 |
| 4．2．2 EM算法描述 | 第65页 |
| 4．2．3 EM算法估计高斯混合模型参数 | 第65-67页 |
| 4．3 高斯混合模型的一些改进算法 | 第67-76页 |
| 4．3．1 最大似然估计的缺陷 | 第67页 |
| 4．3．2 MF函数 | 第67-70页 |
| 4．3．3 GMDD算法 | 第70-72页 |
| 4．3．4 加权 GMDD算法 | 第72-74页 |
| 4．3．5 k-GMDD算法 | 第74-76页 |
| 4．4 本章小结 | 第76-77页 |
| 第5章 切换回归模型及其聚类算法 | 第77-97页 |
| 5．1 切换回归模型的基本概念 | 第77-78页 |
| 5．2 FCRM算法 | 第78-80页 |
| 5．3 模糊阈值 | 第80-84页 |
| 5．3．1 模糊阈值的概念 | 第80-81页 |
| 5．3．2 模糊阈值的应用 | 第81-82页 |
| 5．3．3 仿真实验 | 第82-84页 |
| 5．4 切换回归模型中的噪音问题 | 第84-85页 |
| 5．5 NRC算法 | 第85-91页 |
| 5．5．1 算法的引入 | 第85-86页 |
| 5．5．2 算法描述 | 第86-87页 |
| 5．5．3 仿真实验 | 第87-91页 |
| 5．6 IFBF算法 | 第91-95页 |
| 5．6．1 影响函数 | 第91-92页 |
| 5．6．2 算法描述 | 第92-94页 |
| 5．6．3 仿真实验 | 第94-95页 |
| 5．7 本章小结 | 第95-97页 |
| 第6章 结论与展望 | 第97-100页 |
| 6．1 本文主要内容总结 | 第97-98页 |
| 6．2 本文的创新点 | 第98-99页 |
| 6．3 进一步的工作 | 第99-100页 |
| 参考文献 | 第100-115页 |
| 攻读学位期间发表的学术论文 | 第115-116页 |
| 致谢 | 第116页 |
