| 摘要 | 第1-8页 |
| Abstract | 第8-11页 |
| 第一章 绪论 | 第11-21页 |
| ·数据挖掘的产生和发展 | 第11-13页 |
| ·聚类及高维数据聚类 | 第13-19页 |
| ·聚类的概念及基本方法 | 第13-16页 |
| ·高维数据聚类的研究意义 | 第16-18页 |
| ·高维数据聚类的研究瓶颈及面临的问题 | 第18-19页 |
| ·论文内容和结构安排 | 第19-21页 |
| 第二章 高维数据聚类算法综述 | 第21-31页 |
| ·高维聚类算法基础 | 第21页 |
| ·高维聚类算法研究现状 | 第21-24页 |
| ·典型的高维聚类算法 | 第21-23页 |
| ·现有的改进高维聚类算法 | 第23-24页 |
| ·高维聚类算法改进方向分析 | 第24-30页 |
| ·高维空间相似性度量方法研究现状 | 第25-27页 |
| ·高维空间特征选择方法研究现状 | 第27-28页 |
| ·高维空间特征变换方法研究现状 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 不等距划分的高维数据相似性度量方法研究 | 第31-42页 |
| ·维度效应 | 第31页 |
| ·高维空间相似性度量方法的重构 | 第31-35页 |
| ·相似性度量函数Hsi m( ) | 第32页 |
| ·相似性度量函数Gsim ( ) | 第32-34页 |
| ·相似性度量函数Hsimc ( ) | 第34页 |
| ·相似性度量函数PIDist ( X , Y , k_d ) 和距离度量函数D ( X , Y ) | 第34-35页 |
| ·基于不等距划分的高维相似性度量方法 | 第35-38页 |
| ·不等距划分 | 第35-36页 |
| ·高维相似性度量 | 第36-38页 |
| ·有效性分析 | 第38-40页 |
| ·本章小结 | 第40-42页 |
| 第四章 基于相似性保持的高维数据降维 | 第42-54页 |
| ·降维的定义和研究意义 | 第42页 |
| ·基本理论 | 第42-43页 |
| ·遗传算法 | 第42-43页 |
| ·人工神经网络 | 第43页 |
| ·基于相似性保持的高维数据降维分析 | 第43-45页 |
| ·相似性保持和数据流形正确展开的特征变换 | 第44-45页 |
| ·降维转换器的生成 | 第45页 |
| ·基于相似性保持的高维数据降维可视化 | 第45-52页 |
| ·iris 数据集降维可视化 | 第45-48页 |
| ·zoo 数据集降维可视化 | 第48-51页 |
| ·基于相似性保持的降维方法性能分析 | 第51-52页 |
| ·本章小结 | 第52-54页 |
| 第五章 利用改进相似性度量和特征变换进行高维数据聚类 | 第54-64页 |
| ·聚类 | 第54页 |
| ·数据处理 | 第54-55页 |
| ·基于改进相似性度量和特征变换的高维数据聚类算法 | 第55-56页 |
| ·算法性能及有效性分析 | 第56-63页 |
| ·仿真实验 | 第56-59页 |
| ·实际应用分析 | 第59-63页 |
| ·本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| ·本文研究成果 | 第64-65页 |
| ·今后工作展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 作者简历 攻读硕士学位期间完成的主要工作 | 第71-73页 |
| 致谢 | 第73页 |