| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-12页 |
| ·研究背景与意义 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·论文工作重点 | 第10-11页 |
| ·论文组织结构 | 第11页 |
| ·本章小结 | 第11-12页 |
| 第二章 抽样在大规模数据聚类分析中的研究 | 第12-22页 |
| ·经典聚类算法 | 第12-14页 |
| ·K-Means算法 | 第12页 |
| ·BIRCH算法 | 第12-13页 |
| ·DBSCAN算法 | 第13页 |
| ·STING算法 | 第13页 |
| ·EM算法 | 第13-14页 |
| ·大规模数据聚类算法 | 第14-17页 |
| ·基于抽样的方法 | 第15页 |
| ·基于特征选择的方法 | 第15-16页 |
| ·基于分布式平台的聚类算法 | 第16-17页 |
| ·抽样在大规模数据聚类分析的研究 | 第17-20页 |
| ·统计学中的抽样 | 第17页 |
| ·数据挖掘中的抽样与代表性抽样方法 | 第17-18页 |
| ·抽样应用到大规模数据聚类分析中需要考虑的问题 | 第18-19页 |
| ·大规模数据聚类分析中的抽样算法 | 第19-20页 |
| ·本章小结 | 第20-22页 |
| 第三章 基于自适应样本大小的抽样聚类算法 | 第22-32页 |
| ·统计最优样本大小算法 | 第22-24页 |
| ·样本质量 | 第22-23页 |
| ·样本大小与样本质量之间关系 | 第23页 |
| ·统计最优样本大小算法 | 第23-24页 |
| ·基于自适应样本大小的抽样聚类算法 | 第24-26页 |
| ·基于对象间相似度的熵度量方法 | 第24-25页 |
| ·基于熵的特征选择方法 | 第25页 |
| ·基于自适应样本大小的抽样聚类算法 | 第25-26页 |
| ·实验与分析 | 第26-30页 |
| ·实验数据集 | 第27页 |
| ·样本大小与样本质量学习曲线对比 | 第27-28页 |
| ·执行时间对比分析 | 第28页 |
| ·样本聚类准确率对比分析 | 第28-30页 |
| ·本章小结 | 第30-32页 |
| 第四章 一种高效的密度偏差抽样聚类算法 | 第32-48页 |
| ·密度偏差抽样 | 第32-34页 |
| ·可变网格划分方法 | 第34页 |
| ·高维数据中一种高效的特征选择算法 | 第34-38页 |
| ·算法描述 | 第35-37页 |
| ·参数设置 | 第37-38页 |
| ·一种高效的密度偏差抽样聚类算法 | 第38-40页 |
| ·算法描述 | 第38-39页 |
| ·参数设置 | 第39-40页 |
| ·实验与分析 | 第40-47页 |
| ·实验数据集 | 第40-41页 |
| ·参数设置的对比分析 | 第41-42页 |
| ·样本质量对比分析 | 第42-44页 |
| ·执行时间对比分析 | 第44-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 抽样聚类算法在大规模高维数据集中的应用 | 第48-57页 |
| ·Weka平台的介绍以及基于Weka平台的二次开发 | 第48-49页 |
| ·Weka平台的介绍 | 第48-49页 |
| ·Weka平台的二次开发 | 第49页 |
| ·EVG_DBS算法在Weka平台中的集成 | 第49-51页 |
| ·Java环境下调用Matlab程序 | 第49-50页 |
| ·EVG_DBS算法在Weka平台的实现 | 第50-51页 |
| ·实验与分析 | 第51-56页 |
| ·实验数据集 | 第51-52页 |
| ·样本质量对比 | 第52-54页 |
| ·执行时间对比 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 主要结论与展望 | 第57-59页 |
| 主要结论 | 第57页 |
| 展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第64页 |