基于网格的带有参数参考值的聚类算法
| 摘要 | 第1-6页 |
| Abstract | 第6-14页 |
| 第1章 绪论 | 第14-17页 |
| ·课题研究背景 | 第14-15页 |
| ·课题研究目的及意义 | 第15页 |
| ·论文研究内容 | 第15-16页 |
| ·论文组织结构 | 第16-17页 |
| 第2章 数据挖掘概述 | 第17-26页 |
| ·数据挖掘的产生背景 | 第17-18页 |
| ·数据挖掘的定义 | 第18-19页 |
| ·数据挖掘的任务和方法 | 第19-22页 |
| ·数据挖掘的任务 | 第20页 |
| ·数据挖掘的常见方法 | 第20-22页 |
| ·数据挖掘流程 | 第22-23页 |
| ·数据挖掘工具及其选择 | 第23-25页 |
| ·数据挖掘的应用和发展趋势 | 第25-26页 |
| 第3章 聚类分析 | 第26-38页 |
| ·简单概述 | 第26页 |
| ·聚类分析的概念 | 第26页 |
| ·聚类分析中的数据类型 | 第26-30页 |
| ·数值属性 | 第27页 |
| ·二值属性 | 第27-28页 |
| ·符号属性 | 第28页 |
| ·顺序变量属性 | 第28-29页 |
| ·比例数值变量属性 | 第29页 |
| ·混和类型属性 | 第29-30页 |
| ·聚类算法的基本要求 | 第30-31页 |
| ·可伸缩性 | 第30页 |
| ·处理混合型数据的能力 | 第30页 |
| ·发现任意形状的聚类的能力 | 第30页 |
| ·输入参数对领域知识的弱依赖性 | 第30页 |
| ·处理噪音数据的能力 | 第30页 |
| ·对输入顺序不敏感 | 第30-31页 |
| ·对高维数据的处理能力 | 第31页 |
| ·增加约束条件后的聚类分析能力 | 第31页 |
| ·结果的可解释性和可用性 | 第31页 |
| ·主要聚类方法的分类 | 第31-38页 |
| ·划分方法 | 第31-33页 |
| ·层次方法 | 第33-35页 |
| ·基于密度的方法 | 第35-36页 |
| ·基于网格的方法 | 第36页 |
| ·基于模型的方法 | 第36-38页 |
| 第4章 一种基于网格的带有参数参考值的聚类算法 | 第38-45页 |
| ·概述 | 第38页 |
| ·GRPC 算法的相关定义 | 第38-39页 |
| ·GRPC 算法 | 第39-42页 |
| ·参数处理 | 第39-41页 |
| ·算法过程 | 第41-42页 |
| ·实验验证与算法分析 | 第42-43页 |
| ·GRPC 算法分析 | 第42-43页 |
| ·数值仿真 | 第43页 |
| ·小结 | 第43-45页 |
| 第5章 GRPC 算法的扩展和简单应用 | 第45-57页 |
| ·GRPC 算法的扩展 | 第45页 |
| ·抽样技术 | 第45-49页 |
| ·抽样技术简介 | 第45-46页 |
| ·数据挖掘中的抽样技术 | 第46-48页 |
| ·抽样技术的特性及问题 | 第48-49页 |
| ·本文采用的抽样技术 | 第49页 |
| ·高维聚类技术 | 第49-51页 |
| ·常见高维聚类技术 | 第50页 |
| ·本文采用的高维聚类技术 | 第50-51页 |
| ·扩展的GRPC 算法 | 第51-53页 |
| ·算法过程 | 第51-53页 |
| ·算法分析 | 第53页 |
| ·算法的应用实验 | 第53-56页 |
| ·小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 1.本文工作总结 | 第57页 |
| 2.进一步工作展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 附录A 攻读硕士期间发表论文列表 | 第63-64页 |
| 附录B 攻读学位期间参加的项目 | 第64页 |
