数据挖掘中聚类分析算法的研究与改进
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.2.1 聚类分析简介 | 第8页 |
| 1.2.2 基于模型聚类方法的研究现状 | 第8-9页 |
| 1.2.3 基于粗糙集聚类方法的研究现状 | 第9页 |
| 1.3 论文的研究内容 | 第9-10页 |
| 1.4 论文的组织结构 | 第10页 |
| 1.5 总结 | 第10-11页 |
| 第二章 数据挖掘技术中的聚类分析 | 第11-20页 |
| 2.1 聚类分析 | 第11页 |
| 2.2 聚类分析中的数据类型 | 第11-12页 |
| 2.3 聚类分析中的相似度度量方法 | 第12-15页 |
| 2.4 数据挖掘对聚类的要求 | 第15页 |
| 2.5 数据挖掘中的聚类分析算法 | 第15-19页 |
| 2.5.1 划分聚类算法 | 第15-16页 |
| 2.5.2 层次聚类算法 | 第16-17页 |
| 2.5.3 基于密度的聚类算法 | 第17页 |
| 2.5.4 基于网格的聚类算法 | 第17页 |
| 2.5.5 基于概率模型的聚类算法 | 第17-18页 |
| 2.5.6 基于粗糙集的聚类算法 | 第18-19页 |
| 2.6 总结 | 第19-20页 |
| 第三章 基于EM算法的模型聚类算法分析与研究 | 第20-31页 |
| 3.1 EM算法 | 第20-21页 |
| 3.2 高斯混合模型的EM算法 | 第21-24页 |
| 3.2.1 高斯混合模型 | 第21-22页 |
| 3.2.2 EM算法对高斯混合模型参数估计 | 第22-24页 |
| 3.3 基于密度检测的GMM-EM算法 | 第24-27页 |
| 3.3.1 噪声点检测 | 第24-25页 |
| 3.3.2 基于密度和距离的初始化方法 | 第25-26页 |
| 3.3.3 基于密度检测的GMM-EM算法 | 第26-27页 |
| 3.4 实验 | 第27-29页 |
| 3.4.1 人工数据集实验 | 第27-28页 |
| 3.4.2 UCI数据集实验 | 第28-29页 |
| 3.5 总结 | 第29-31页 |
| 第四章 基于粗糙集的聚类算法分析与研究 | 第31-41页 |
| 4.1 K-means算法 | 第31-32页 |
| 4.1.1 K-means算法基本思想 | 第31-32页 |
| 4.1.2 K-means算法与GMM-EM算法 | 第32页 |
| 4.2 RCM算法 | 第32-34页 |
| 4.3 基于属性加权的RCM算法 | 第34-37页 |
| 4.4 实验与分析 | 第37-40页 |
| 4.4.1 人工数据集实验 | 第37-38页 |
| 4.4.2 大豆疾病数据集实验 | 第38-40页 |
| 4.4.3 UCI多组数据实验 | 第40页 |
| 4.5 总结 | 第40-41页 |
| 第五章 基于DDGMM-EM算法的文本聚类 | 第41-49页 |
| 5.1 文本预处理 | 第41页 |
| 5.2 文本的向量化表示 | 第41-43页 |
| 5.2.1 VSM模型 | 第41-42页 |
| 5.2.2 文本距离的计算 | 第42-43页 |
| 5.3 文本聚类工具开发 | 第43-48页 |
| 5.3.1 开发环境 | 第43页 |
| 5.3.2 文本聚类工具模块详细设计 | 第43-46页 |
| 5.3.3 聚类结果分析 | 第46-48页 |
| 5.4 总结 | 第48-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 6.1 总结 | 第49页 |
| 6.2 展望 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第55页 |
