| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-18页 |
| ·研究的背景和意义 | 第10-11页 |
| ·数据挖掘概述 | 第11-12页 |
| ·数据挖掘的发展背景 | 第11-12页 |
| ·数据挖掘的研究现状 | 第12页 |
| ·聚类概述 | 第12-14页 |
| ·聚类的发展背景 | 第12-13页 |
| ·聚类的分类 | 第13-14页 |
| ·混合属性聚类概述 | 第14-16页 |
| ·混合属性聚类的发展背景 | 第14页 |
| ·混合属性聚类的研究现状 | 第14-15页 |
| ·混合属性数据聚类存在的问题 | 第15-16页 |
| ·本文的工作 | 第16页 |
| ·本文的组织 | 第16-18页 |
| 第二章 K-prototypes算法及其改进方法 | 第18-35页 |
| ·K-PROTOTYPES算法介绍 | 第18-20页 |
| ·相异度度量 | 第18页 |
| ·成本函数 | 第18-19页 |
| ·k-prototypes算法的不足 | 第19-20页 |
| ·对K-PROTOTYPES算法的改进及类属性分解算法 | 第20-28页 |
| ·举例分析在原有方法的不足之处 | 第20-21页 |
| ·新方法 | 第21页 |
| ·类属性分解算法 | 第21-22页 |
| ·模糊k-prototypes类属性分解法 | 第22页 |
| ·实例分析 | 第22-27页 |
| ·结论 | 第27-28页 |
| ·对K-PROTOTYPES算法的改进及初始点选择优化算法 | 第28-31页 |
| ·新的初始点的选择方法 | 第28页 |
| ·改进后分组选择初始点算法描述 | 第28页 |
| ·聚类有效性分析 | 第28-29页 |
| ·聚类性能分析 | 第29-31页 |
| ·总结 | 第31页 |
| ·对K-PROTOTYPES算法的改进及基于GA的初始点选择优化算法 | 第31-34页 |
| ·新初始点的遗传聚类选择方法 | 第31页 |
| ·遗传聚类算法设计 | 第31页 |
| ·染色体编码 | 第31页 |
| ·适应度函数的构造 | 第31-32页 |
| ·定义遗传操作 | 第32页 |
| ·改进后遗传聚类初始点算法描述 | 第32-33页 |
| ·聚类实验结果分析 | 第33-34页 |
| ·总结 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第三章 基于BRICH的混合属性聚类 | 第35-41页 |
| ·研究背景 | 第35-36页 |
| ·混合属性聚类研究现状 | 第35页 |
| ·BIRCH算法 | 第35-36页 |
| ·H-BIRCH算法介绍 | 第36-39页 |
| ·距离定义 | 第36-38页 |
| ·算法描述 | 第38-39页 |
| ·实验结果 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 基于DBSCAN算法的混合属性聚类 | 第41-46页 |
| ·DBSCAN聚类算法简介 | 第41页 |
| ·基于DBSCAN算法的混合属性聚类算法分析 | 第41页 |
| ·算法具体实现 | 第41-45页 |
| ·确定包含聚类的子空间 | 第41-42页 |
| ·确定子空间中的聚类 | 第42-44页 |
| ·聚类的描述 | 第44-45页 |
| ·算法的优点 | 第45页 |
| ·本章小结 | 第45-46页 |
| 第五章 基于数据融合的混合属性聚类 | 第46-53页 |
| ·数据融合介绍 | 第46页 |
| ·CEMC聚类算法 | 第46-48页 |
| ·CEMC算法框架 | 第46-47页 |
| ·算法描述 | 第47-48页 |
| ·目标函数及算法 | 第48-50页 |
| ·目标函数 | 第48-49页 |
| ·算法及其复杂度 | 第49-50页 |
| ·数据实验 | 第50-52页 |
| ·FLAG数据集 | 第50页 |
| ·CRM信用卡数据集 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第六章 结论与展望 | 第53-55页 |
| ·结论 | 第53页 |
| ·展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 附录 (攻读硕士学位期间发表录用论文) | 第59页 |
