| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究的目的和意义 | 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15-17页 |
| 1.3.1 课题来源 | 第15页 |
| 1.3.2 课题的主要研究内容 | 第15-17页 |
| 第2章 聚类挖掘技术概述 | 第17-27页 |
| 2.1 聚类的概念与聚类过程 | 第17-18页 |
| 2.2 聚类分析中的数据结构和距离 | 第18-20页 |
| 2.2.1 聚类分析的数据结构 | 第18-19页 |
| 2.2.2 聚类分析的数据结构及相似度表示 | 第19-20页 |
| 2.3 传统聚类算法分类 | 第20-24页 |
| 2.3.1 层次聚类 | 第20-21页 |
| 2.3.2 划分聚类 | 第21页 |
| 2.3.3 基于密度的聚类 | 第21-22页 |
| 2.3.4 基于网格的聚类 | 第22-23页 |
| 2.3.5 基于模糊聚类 | 第23-24页 |
| 2.4 增量聚类算法概述 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于全局中心高密度不唯一的 K-means 算法 | 第27-39页 |
| 3.1 典型聚类算法：K-means 算法 | 第27-28页 |
| 3.1.1 传统 K-mans 算法基本思想 | 第27页 |
| 3.1.2 传统 K-mans 算法具体过程 | 第27-28页 |
| 3.2 基于全局中心高密度不唯一的新算法：NDK-means | 第28-33页 |
| 3.2.1 基于不唯一密度的初始中心点选取 | 第28-30页 |
| 3.2.2 基本定义 | 第30-31页 |
| 3.2.3 NDK-means 基本思想及算法过程 | 第31-33页 |
| 3.3 基于 NDK-means 及有效性指标的 k 值优化算法 | 第33-35页 |
| 3.3.1 空间聚类中的最佳聚类数 k | 第33页 |
| 3.3.2 最佳聚类数 k 值的搜索范围 | 第33-34页 |
| 3.3.3 基于 NDK-means 及 BWP 指标的 K-means 优化算法 | 第34-35页 |
| 3.4 实验评价 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于蚁群算法的增量 FCM 聚类算法 | 第39-48页 |
| 4.1 蚁群算法 | 第39-41页 |
| 4.1.1 蚁群算法的基本原理 | 第40-41页 |
| 4.2 基于 ACO 算法的改进的 FCM 算法 | 第41-43页 |
| 4.2.1 相关定义 | 第41-42页 |
| 4.2.2 算法描述 | 第42-43页 |
| 4.3 基于 ACOFCM 算法的增量聚类研究 | 第43-44页 |
| 4.4 实验评价 | 第44-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第5章 基于相对密度的多分辨率增量聚类算法 | 第48-58页 |
| 5.1 基于相对密度多分辨率聚类算法 | 第48-51页 |
| 5.1.1 相关定义 | 第48-50页 |
| 5.1.2 算法 K-RDC 描述及过程 | 第50-51页 |
| 5.2 基于中心点及相对密度的增量聚类算法 | 第51-54页 |
| 5.2.1 增量聚类相关定义 | 第52-53页 |
| 5.2.2 增量聚类算法 InRDC 描述及过程 | 第53-54页 |
| 5.3 实验评价 | 第54-57页 |
| 5.3.1 基于 K-RDC 算法静态样本聚类实验与分析 | 第54-55页 |
| 5.3.2 基于相对密度的多分辨率聚类实验与分析 | 第55-57页 |
| 5.4 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 |
