| 第一章 绪论 | 第1-13页 |
| §1-1 数据挖掘技术研究与发展 | 第7-12页 |
| 1-1-1 人工智能(Artificial Intelligence) | 第7-8页 |
| 1-1-2 神经网络 | 第8-10页 |
| 1-1-3 数据挖掘技术 | 第10-11页 |
| 1-1-4 研究背景与研究意义 | 第11-12页 |
| §1-2 本文的主要工作及创新点 | 第12-13页 |
| 第二章 数据挖掘(DM)技术分析 | 第13-19页 |
| §2-1 数据挖掘的定义与工作流程 | 第13-14页 |
| §2-2 数据挖掘的常用算法 | 第14-16页 |
| §2-3 数据挖掘的任务和实现技术 | 第16-18页 |
| §2-4 数据挖掘的应用 | 第18-19页 |
| 第三章 Fuzzy ART神经网络实现数据挖掘中的聚类 | 第19-26页 |
| §3-1 神经网络的定义域数据挖掘中的常用模型 | 第19-20页 |
| §3-2 关于模糊聚类 | 第20-21页 |
| §3-3 Fuzzy ART聚类模糊神经网络 | 第21-26页 |
| 3-3-1 Fuzzy ART实现步骤 | 第22-24页 |
| 3-3-2 算法的机理分析 | 第24-26页 |
| 第四章 基于Fuzzy art的K最近邻分类改进算法 | 第26-34页 |
| §4-1 K最近邻算法简介 | 第26-27页 |
| §4-2 K最近邻改进算法 | 第27-30页 |
| 4-2-1 训练样本集的编辑和压缩 | 第27-28页 |
| 4-2-2 属性权值的调整 | 第28-30页 |
| §4-3 一种新的K-最近邻混合分类算法 | 第30-31页 |
| 4-3-1 基于神经网络的属性权重调整 | 第31页 |
| 4-3-2 Fuzzy ART聚类算法对训练样本聚类 | 第31页 |
| §4-4 仿真实验 | 第31-33页 |
| §4-5 小结 | 第33-34页 |
| 第五章 基于Fuzzy art的多维离散时间序列符号化 | 第34-41页 |
| §5-1 时间序列的数据挖掘 | 第34页 |
| §5-2 时间序列的符号化 | 第34-35页 |
| §5-3 聚类分析 | 第35页 |
| §5-4 用Fuzzy ART聚类算法对黄鹤山隧道多维交通流时间序列符号化 | 第35-40页 |
| 5-4-1 数据介绍与选择 | 第35-36页 |
| 5-4-2 交通流数据的预处理(属性相关分析) | 第36-37页 |
| 5-4-3 Fuzzy ART网络聚类交通流数据 | 第37-39页 |
| 5-4-4 交通流数据的符号化 | 第39页 |
| 5-4-5 检验实验结果 | 第39-40页 |
| §5-5 本章小结 | 第40-41页 |
| 结论 | 第41-42页 |
| 参考文献 | 第42-46页 |
| 致谢 | 第46-47页 |
| 攻读硕士学位期间所取得的相关科研成果 | 第47页 |
