| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 数据挖掘概述 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 数据挖掘中的主要方法和技术 | 第15-18页 |
| 1.3.1 数据特征化 | 第15-16页 |
| 1.3.2 关联规则 | 第16-17页 |
| 1.3.3 分类与回归 | 第17-18页 |
| 1.3.4 时间序列分析 | 第18页 |
| 1.4 本文的主要研究内容和结构安排 | 第18-20页 |
| 第二章 聚类分析方法的理论基础 | 第20-38页 |
| 2.1 聚类算法简介 | 第20-25页 |
| 2.1.1 聚类分析的定义 | 第20页 |
| 2.1.2 聚类分析中的代数基础 | 第20-21页 |
| 2.1.3 聚类分析的主要类型 | 第21-25页 |
| 2.2 常用聚类算法 | 第25-27页 |
| 2.3 聚类算法优劣的评价指标 | 第27-30页 |
| 2.3.1 聚类结果准确率 | 第27-28页 |
| 2.3.2 聚类中心距离和类内样本方差 | 第28-29页 |
| 2.3.3 紧致度与分离度指标 | 第29-30页 |
| 2.4 谱聚类算法综述 | 第30-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第三章 谱聚类算法基于信息熵的特征向量选取方法改进 | 第38-59页 |
| 3.1 传统的特征向量选取在谱聚类算法中的应用 | 第38-41页 |
| 3.1.1 Laplacian矩阵 | 第38-39页 |
| 3.1.2 谱聚类算法的特征向量选取 | 第39-41页 |
| 3.2 一般特征向量选取方法及其局限性 | 第41-45页 |
| 3.3 基于信息论的特征向量选取方法改进 | 第45-55页 |
| 3.3.1 信息熵对NJW算法的改进 | 第46-49页 |
| 3.3.2 优化后的特征向量排序 | 第49页 |
| 3.3.3 评价准则的有效性 | 第49-55页 |
| 3.4 算法改进及实验结果分析 | 第55-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第四章 NJW_EB算法针对海量数据挖掘的改进 | 第59-71页 |
| 4.1 谱聚类算法针对海量数据挖掘的不足 | 第59-65页 |
| 4.1.1 谱聚类算法针对海量数据的效率问题 | 第61页 |
| 4.1.2 前“k”个特征向量的局限性 | 第61-65页 |
| 4.2 NJW_EB算法针对海量数据集聚类的局限性 | 第65-66页 |
| 4.3 基于统计的ReRank特征向量选取方法 | 第66-67页 |
| 4.4 算法改进及实验结果分析 | 第67-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 附录 | 第77-78页 |
| 致谢 | 第78页 |