| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题的研究背景及选题意义 | 第10-11页 |
| 1.1.1 数据挖掘概述 | 第10-11页 |
| 1.1.2 聚类分析概述 | 第11页 |
| 1.2 国内外现状综述 | 第11-12页 |
| 1.2.1 数据挖掘现状 | 第11-12页 |
| 1.2.2 聚类分析现状 | 第12页 |
| 1.3 本文的主要内容 | 第12-14页 |
| 1.4 本文的组织架构 | 第14-15页 |
| 第二章 聚类分析 | 第15-22页 |
| 2.1 聚类分析的基本概念 | 第15页 |
| 2.2 聚类方法分类 | 第15-18页 |
| 2.2.1 划分式聚类算法 | 第15-16页 |
| 2.2.2 层次化聚类算法 | 第16页 |
| 2.2.3 基于密度的聚类算法 | 第16页 |
| 2.2.4 基于网格的聚类算法 | 第16-17页 |
| 2.2.5 基于模型的聚类算法 | 第17页 |
| 2.2.6 模糊聚类算法 | 第17-18页 |
| 2.3 聚类分析中的数据结构和类型 | 第18页 |
| 2.4 聚类分析中的相似性度量 | 第18-20页 |
| 2.4.1 距离函数 | 第19页 |
| 2.4.2 相似性系数 | 第19-20页 |
| 2.5 聚类分析中的准则函数 | 第20-21页 |
| 2.6 本章小结 | 第21-22页 |
| 第三章 传统K-means算法 | 第22-26页 |
| 3.1 K-means算法概述 | 第22页 |
| 3.2 K-means算法详述 | 第22-23页 |
| 3.2.1 K-means算法的执行步骤 | 第22-23页 |
| 3.2.2 K-means聚类算法流程图 | 第23页 |
| 3.3 分析K-means算法 | 第23-25页 |
| 3.3.1 K-means算法的聚类要素 | 第23-24页 |
| 3.3.2 K-means算法的优缺点 | 第24-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第四章 自适应特征权重的K-means算法 | 第26-35页 |
| 4.1 算法的提出 | 第26-29页 |
| 4.1.1 特征权重的确定 | 第27-28页 |
| 4.1.2 初始聚类中心的确定 | 第28-29页 |
| 4.2 算法具体描述 | 第29-30页 |
| 4.3 实验结果与分析 | 第30-34页 |
| 4.4 本章小结 | 第34-35页 |
| 第五章 基于遗传算法的K-means算法改进 | 第35-49页 |
| 5.1 聚类分析中的遗传算法 | 第35-36页 |
| 5.1.1 进化计算与聚类分析 | 第35页 |
| 5.1.2 遗传算法的基本原理 | 第35-36页 |
| 5.2 基于遗传算法的K-means算法 | 第36-40页 |
| 5.2.1 算法的基本思想 | 第36-39页 |
| 5.2.2 改进算法的描述 | 第39-40页 |
| 5.2.3 改进算法的流程图 | 第40页 |
| 5.3 实验结果与分析 | 第40-44页 |
| 5.4 改进的K-means算法在图像分割中的应用 | 第44-47页 |
| 5.4.1 像素级图像分割 | 第45-46页 |
| 5.4.2 区域级图像分割 | 第46-47页 |
| 5.5 本章小结 | 第47-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 6.1 论文的主要工作 | 第49页 |
| 6.2 进一步努力的方向 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士期间的科研成果 | 第56页 |