| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景介绍 | 第10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 课题的研究内容和解决方案 | 第11-12页 |
| 1.4 本文组织 | 第12-13页 |
| 第二章 聚类分析的基本方法 | 第13-22页 |
| 2.1 层次聚类算法 | 第14-16页 |
| 2.1.1 CURE层次聚类算法 | 第14页 |
| 2.1.2 CHAMELEON层次聚类算法 | 第14-15页 |
| 2.1.3 BIRCH层次聚类算法 | 第15页 |
| 2.1.4 层次聚类算法的优劣 | 第15-16页 |
| 2.2 基于划分的聚类算法 | 第16-18页 |
| 2.2.1 K-MEANS聚类算法 | 第16-17页 |
| 2.2.2 K-MEDOIDS聚类算法 | 第17页 |
| 2.2.3 AffinityPropagation聚类算法 | 第17-18页 |
| 2.2.4 基于划分聚类算法的优劣 | 第18页 |
| 2.3 基于密度的聚类算法 | 第18-22页 |
| 2.3.1 DBCAN聚类算法 | 第18-19页 |
| 2.3.2 OPTICS聚类算法 | 第19页 |
| 2.3.3 DENCLUE聚类算法 | 第19-20页 |
| 2.3.4 基于密度的聚类算法研究进展 | 第20-22页 |
| 第三章 密度峰值聚类算法(DPC) | 第22-26页 |
| 3.1 密度峰值聚类算法 | 第22页 |
| 3.2 局部密度p与最小距离d的定义 | 第22-23页 |
| 3.3 决策图(DecisionGraph) | 第23-24页 |
| 3.4 基于简单阈值方法的类簇中心点识别 | 第24-25页 |
| 3.5 密度峰值聚类算法的缺陷 | 第25-26页 |
| 第四章 基于统计分析的自动化类簇中心点识别 | 第26-29页 |
| 4.1 基于统计分析的类簇中心点识别 | 第26页 |
| 4.2 决策图中特定密度下的概率密度估计 | 第26-27页 |
| 4.3 类簇中心点的自动识别 | 第27-29页 |
| 第五章 基于改进势能值的密度估计的方法 | 第29-34页 |
| 5.1 势能值密度估计 | 第29-31页 |
| 5.2 改进的势能值密度估算 | 第31-34页 |
| 5.2.1 双K邻居算法(DKNN) | 第31-32页 |
| 5.2.2 基于DKNN的势能值密度估计 | 第32-34页 |
| 第六章 实验结果与分析 | 第34-46页 |
| 6.1 实验数据集 | 第34-36页 |
| 6.1.1 人造数据集 | 第34-36页 |
| 6.1.2 UCI真实数据集 | 第36页 |
| 6.2 聚类结果的评价指标 | 第36-38页 |
| 6.3 实验中三种算法的介绍 | 第38页 |
| 6.4 参数的选取 | 第38-41页 |
| 6.4.1 参数r_c的选取 | 第39页 |
| 6.4.2 参数r_p和参数r_d的选取 | 第39-40页 |
| 6.4.3 参数α的选取 | 第40-41页 |
| 6.5 实验结果与比较 | 第41-45页 |
| 6.5.1 DPC与APC算法实验比较 | 第41-43页 |
| 6.5.2 DPC与PDE算法实验比较 | 第43-45页 |
| 6.6 实验结果分析 | 第45-46页 |
| 第七章 结论与展望 | 第46-48页 |
| 7.1 主要结论 | 第46-47页 |
| 7.2 研究展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 硕士期间的研究成果 | 第51-52页 |
| 致谢 | 第52页 |