| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 课题的来源及研究内容 | 第15-16页 |
| 1.3.1 课题来源 | 第15页 |
| 1.3.2 课题的主要研究内容 | 第15-16页 |
| 第2章 聚类挖掘概述 | 第16-26页 |
| 2.1 聚类算法基本原理 | 第16-17页 |
| 2.2 传统聚类算法分类 | 第17-21页 |
| 2.2.1 层次聚类 | 第17-18页 |
| 2.2.2 划分聚类 | 第18页 |
| 2.2.3 基于密度聚类 | 第18-19页 |
| 2.2.4 模糊聚类 | 第19-20页 |
| 2.2.5 其它聚类算法 | 第20-21页 |
| 2.3 不确定数据聚类算法 | 第21-23页 |
| 2.3.1 基于划分的不确定数据聚类算法 | 第21-22页 |
| 2.3.2 基于密度的不确定数据聚类算法 | 第22-23页 |
| 2.3.3 其它不确定数据聚类算法 | 第23页 |
| 2.4 聚类评测标准 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 改进传统 K-均值划分聚类算法 | 第26-39页 |
| 3.1 基于密度期望确定 K-均值算法的初始中心点 | 第27-33页 |
| 3.1.1 相关概念 | 第28-29页 |
| 3.1.2 基于密度期望选取初始中心点 | 第29-31页 |
| 3.1.3 算法实例验证分析 | 第31-33页 |
| 3.2 基于密度期望及有效性指标确定 K 值的选取 | 第33-38页 |
| 3.2.1 有效性指标函数 | 第33-35页 |
| 3.2.2 结合密度期望及有效性指标选取有效聚类数 K 值 | 第35-36页 |
| 3.2.3 算法实例验证分析 | 第36-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第4章 基于人工蜂群算法改进模糊 C-均值聚类算法 | 第39-47页 |
| 4.1 人工蜂群算法 | 第39-42页 |
| 4.1.1 人工蜂群算法的基本原理 | 第40-41页 |
| 4.1.2 人工蜂群算法的改进及实现 | 第41-42页 |
| 4.2 结合人工蜂群算法确定模糊 C-均值算法初始中心点 | 第42-44页 |
| 4.3 算法实例验证分析 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 面向空间不确定数据的模糊聚类分析 | 第47-58页 |
| 5.1 不确定数据模型 | 第47-48页 |
| 5.2 空间不确定数据模糊聚类算法 | 第48-50页 |
| 5.3 空间不确定数据模糊聚类算法的改进方案 | 第50-53页 |
| 5.3.1 将不确定数据确定化 | 第50-51页 |
| 5.3.2 引入相似度衡量公式 | 第51-52页 |
| 5.3.3 改进空间不确定数据模糊聚类算法描述 | 第52-53页 |
| 5.4 算法实例验证分析 | 第53-57页 |
| 5.4.1 构造空间不确定数据集 | 第53-54页 |
| 5.4.2 验证结果分析 | 第54-57页 |
| 5.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间发表的学术论文 | 第65-66页 |
| 致谢 | 第66页 |
