面向区域信息的多密度聚类算法设计与实现
摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
1 绪论 | 第11-19页 |
1.1 研究背景与意义 | 第11-12页 |
1.2 研究现状 | 第12-16页 |
1.2.1 区域信息挖掘的研究现状 | 第12-14页 |
1.2.2 多密度聚类算法研究现状 | 第14-16页 |
1.3 研究内容及创新点 | 第16-18页 |
1.3.1 研究内容 | 第16-17页 |
1.3.2 创新点 | 第17-18页 |
1.4 论文结构安排 | 第18-19页 |
2 相关工作 | 第19-34页 |
2.1 分类信息平台 | 第19-21页 |
2.1.1 分类信息平台业务背景 | 第19-20页 |
2.1.2 类目“危机” | 第20-21页 |
2.2 数据库知识发现 | 第21-23页 |
2.2.1 KDD定义 | 第21-22页 |
2.2.2 KDD处理过程 | 第22-23页 |
2.3 数据挖掘 | 第23-25页 |
2.4 聚类算法 | 第25-27页 |
2.4.1 基于划分的方法 | 第25页 |
2.4.2 基于层次的方法 | 第25-26页 |
2.4.3 基于密度的方法 | 第26页 |
2.4.4 基于网格的方法 | 第26-27页 |
2.4.5 基于模型的方法 | 第27页 |
2.5 网格聚类算法 | 第27-31页 |
2.5.1 网格聚类算法概述 | 第27-28页 |
2.5.2 网格聚类算法 | 第28-30页 |
2.5.3 多密度聚类算法 | 第30-31页 |
2.6 对聚类算法的要求 | 第31-32页 |
2.7 网格聚类算法存在的问题 | 第32页 |
2.8 本章小结 | 第32-34页 |
3 稀疏网格阈值计算 | 第34-44页 |
3.1 稀疏网格 | 第34-35页 |
3.2 密度阈值 | 第35页 |
3.3 图像分割与网格聚类 | 第35-38页 |
3.3.1 图像分割 | 第35-36页 |
3.3.2 阈值算法选择 | 第36-38页 |
3.4 稀疏空间阈值自动计算方法 | 第38-40页 |
3.4.1 算法思想 | 第38-39页 |
3.4.2 算法定义 | 第39-40页 |
3.5 算法评估 | 第40-43页 |
3.5.1 算法评估数据集 | 第40-41页 |
3.5.2 算法评估结果 | 第41-43页 |
3.6 本章小结 | 第43-44页 |
4 多密度网格聚类算法 | 第44-57页 |
4.1 多密度数据 | 第44-45页 |
4.2 网格粒度 | 第45-46页 |
4.2.1 网格粒度对聚类结果的影响 | 第45-46页 |
4.2.2 ATMGC算法网格粒度 | 第46页 |
4.3 网格内部数据特征观测 | 第46-48页 |
4.3.1 窗口检测 | 第46-48页 |
4.3.2 网格质心 | 第48页 |
4.4 多密度网格聚类算法 | 第48-53页 |
4.4.1 相邻网格定义 | 第48-49页 |
4.4.3 算法定义 | 第49-51页 |
4.4.4 算法步骤 | 第51-52页 |
4.4.5 算法复杂度分析 | 第52-53页 |
4.5 算法评估 | 第53-56页 |
4.5.1 算法有效性评估 | 第53-55页 |
4.5.2 算法泛化性实验 | 第55页 |
4.5.3 算法效率评估 | 第55-56页 |
4.6 本章小结 | 第56-57页 |
5 面向区域信息的多密度聚类算法实例 | 第57-76页 |
5.1 类目“危机”解决方案 | 第57-58页 |
5.2 原始数据分析 | 第58-62页 |
5.2.1 数据维度 | 第58页 |
5.2.2 数据特征分析 | 第58-62页 |
5.3 数据清洗 | 第62-64页 |
5.4 数据预处理 | 第64-66页 |
5.5 聚类过程 | 第66-70页 |
5.6 类目排序个性化 | 第70-72页 |
5.7 聚类结果可视化 | 第72-75页 |
5.8 本章小结 | 第75-76页 |
6 总结与展望 | 第76-78页 |
6.1 论文工作总结 | 第76-77页 |
6.2 未来工作展望 | 第77-78页 |
参考文献 | 第78-85页 |
攻读硕士学位期间取得的研究成果 | 第85-86页 |
致谢 | 第86页 |