数据挖掘中几种划分聚类算法的比较及改进
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-13页 |
| ·数据挖掘简介 | 第8页 |
| ·聚类分析概述 | 第8-10页 |
| ·聚类分析研究现状 | 第10-12页 |
| ·本文的研究内容 | 第12-13页 |
| 2 聚类算法基础 | 第13-28页 |
| ·聚类过程概述 | 第13-14页 |
| ·聚类分析中相似性度量方法 | 第14-16页 |
| ·元组之间的相似性度量方法 | 第14-15页 |
| ·簇之间的相似性度量方法 | 第15-16页 |
| ·聚类算法 | 第16-19页 |
| ·层次聚类算法 | 第16-17页 |
| ·划分聚类算法 | 第17-18页 |
| ·大型数据库聚类算法 | 第18-19页 |
| ·常用划分聚类算法的分析与比较 | 第19-25页 |
| ·K-均值聚类算法 | 第19-20页 |
| ·K-调和均值聚类算法 | 第20-21页 |
| ·模糊C-均值聚类算法 | 第21-23页 |
| ·谱聚类算法 | 第23-25页 |
| ·主成分分析的基本知识 | 第25-28页 |
| ·主成分分析的基本概念 | 第25页 |
| ·主成分分析的特点 | 第25-26页 |
| ·主成分分析方法的基本原理 | 第26-28页 |
| 3 基于最大或次大特征值的PCA聚类算法 | 第28-36页 |
| ·基于最大或次大特征值的PCA聚类算法 | 第28-29页 |
| ·PCA聚类算法 | 第29页 |
| ·数值实验结果与分析 | 第29-35页 |
| ·基于PCA的聚类算法中特征值的选取实验 | 第29-32页 |
| ·各聚类算法数值实验的比较和分析 | 第32-35页 |
| ·小结 | 第35-36页 |
| 4 改进的K-调和均值算法 | 第36-44页 |
| ·一种新的距离度量 | 第36-38页 |
| ·改进的K-调和均值算法 | 第38-39页 |
| ·数值实验结果与分析 | 第39-43页 |
| ·小结 | 第43-44页 |
| 结论 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 攻读硕士学位期间发表学术论文情况 | 第48-49页 |
| 致谢 | 第49-50页 |
