基于自组织特征映射网络的聚类算法研究
| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-12页 |
| 1 绪论 | 第12-18页 |
| ·论文的选题背景与研究意义 | 第12-13页 |
| ·数据挖掘和神经网络的研究现状 | 第13-16页 |
| ·论文主要工作内容 | 第16-17页 |
| ·论文组织与结构 | 第17-18页 |
| 2 数据挖掘以及聚类相关理论 | 第18-28页 |
| ·数据挖掘概论 | 第18-24页 |
| ·数据挖掘的兴起 | 第18页 |
| ·数据挖掘的过程 | 第18-19页 |
| ·数据中可发现的知识 | 第19-20页 |
| ·数据挖掘采用的方法 | 第20-23页 |
| ·数据挖掘的发展方向趋势 | 第23-24页 |
| ·聚类分析理论与技术 | 第24-27页 |
| ·聚类问题定义 | 第25页 |
| ·对聚类算法的要求 | 第25-26页 |
| ·相似性度量方法 | 第26-27页 |
| ·聚类的质心、半径、直径 | 第27页 |
| ·本章小结 | 第27-28页 |
| 3 主要聚类算法 | 第28-50页 |
| ·概述 | 第28页 |
| ·划分聚类 | 第28-30页 |
| ·k-means 算法 | 第28-29页 |
| ·k-medoids 算法 | 第29-30页 |
| ·分层聚类 | 第30-35页 |
| ·BIRCB 算法 | 第32-33页 |
| ·CURE 算法 | 第33-34页 |
| ·ROCK 算法 | 第34页 |
| ·CHAMELEON 算法 | 第34-35页 |
| ·AMOEBA 算法 | 第35页 |
| ·密度聚类 | 第35-37页 |
| ·DBSCAN 算法 | 第35-36页 |
| ·DBCLASD 算法 | 第36页 |
| ·OPTICS 算法 | 第36-37页 |
| ·DENCLUE 算法 | 第37页 |
| ·网格聚类 | 第37-42页 |
| ·STING 算法和STING＋算法 | 第38-39页 |
| ·WaveCluster 算法 | 第39-40页 |
| ·CLIQUE 算法 | 第40-41页 |
| ·MAFIA 算法 | 第41页 |
| ·OptiGrid 算法 | 第41-42页 |
| ·基于模型的方法 | 第42页 |
| ·统计学方法 | 第42页 |
| ·神经网络方法 | 第42页 |
| ·仿真实验 | 第42-49页 |
| ·仿真实验一 | 第42-45页 |
| ·仿真实验二 | 第45-46页 |
| ·仿真实验三 | 第46-49页 |
| ·本章小结 | 第49-50页 |
| 4 自组织特征映射网络 | 第50-72页 |
| ·人工神经网络 | 第50-59页 |
| ·概述 | 第50-51页 |
| ·神经元及其行为机理 | 第51-54页 |
| ·神经网络结构及功能 | 第54-59页 |
| ·自组织特征映射网络 | 第59-68页 |
| ·神经元的侧向交互原理 | 第60-62页 |
| ·二维阵列SOFM 模型 | 第62-64页 |
| ·SOFM 模型的学习算法 | 第64-67页 |
| ·SOFM 模型学习的具体步骤 | 第67-68页 |
| ·仿真实验 | 第68-71页 |
| ·仿真实验一 | 第68-70页 |
| ·仿真实验二 | 第70-71页 |
| ·本章小结 | 第71-72页 |
| 5 基于自组织特征映射网络的聚类算法研究 | 第72-82页 |
| ·引言 | 第72-73页 |
| ·自组织特征映射网络族 | 第73-74页 |
| ·SOFMF 算法 | 第74-78页 |
| ·构造自组织特征映射网络族 | 第74-75页 |
| ·拓扑相似性矩阵 | 第75-76页 |
| ·SOFMF 算法 | 第76-78页 |
| ·仿真实验 | 第78-81页 |
| ·仿真实验一 | 第78-79页 |
| ·仿真实验二 | 第79-80页 |
| ·仿真实验三 | 第80页 |
| ·实验结论分析 | 第80-81页 |
| ·本章小结 | 第81-82页 |
| 6 结论 | 第82-84页 |
| 致谢 | 第84-86页 |
| 参考文献 | 第86-92页 |
| 附录A 作者在攻读硕士学位期间发表的主要论文目录 | 第92-93页 |
| 附录B 作者在攻读硕士学位期间参加的科研项目 | 第93-94页 |
| 独创性声明 | 第94页 |
| 学位论文版权使用授权书 | 第94页 |
