基于初始点选择的K均值聚类改进算法及应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 本文研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文主要工作 | 第13-14页 |
| 1.4 论文结构 | 第14-16页 |
| 第2章 数据挖掘及聚类相关技术研究 | 第16-30页 |
| 2.1 数据挖掘相关知识介绍 | 第16-19页 |
| 2.1.1 数据挖掘概述 | 第16-17页 |
| 2.1.2 数据挖掘功能及过程 | 第17页 |
| 2.1.3 数据挖掘算法 | 第17-18页 |
| 2.1.4 数据挖掘应用 | 第18-19页 |
| 2.2 聚类的概念 | 第19-21页 |
| 2.2.1 聚类的定义 | 第19页 |
| 2.2.2 聚类中相关数据类型 | 第19-21页 |
| 2.3 聚类算法的总类 | 第21-25页 |
| 2.3.1 划分聚类算法 | 第21-23页 |
| 2.3.2 层次聚类算法 | 第23-24页 |
| 2.3.3 基于密度的聚类 | 第24页 |
| 2.3.4 基于网格的聚类 | 第24-25页 |
| 2.3.5 基于模型的聚类 | 第25页 |
| 2.4 K-均值聚类算法 | 第25-28页 |
| 2.4.1 K-均值聚类算法的思想 | 第26页 |
| 2.4.2 K-均值聚类算法流程 | 第26-27页 |
| 2.4.3 K-均值聚类算法的优点 | 第27-28页 |
| 2.5 聚类性能评价标准 | 第28页 |
| 2.6 小结 | 第28-30页 |
| 第3章 基于初始点选择的DNC值K-均值算法 | 第30-43页 |
| 3.1 算法的相关定义 | 第30-32页 |
| 3.2 算法思想 | 第32-33页 |
| 3.3 算法基本步骤 | 第33-35页 |
| 3.4 算法实现及分析 | 第35-42页 |
| 3.4.1 数据集的选取 | 第35-36页 |
| 3.4.2 实验设计 | 第36-37页 |
| 3.4.3 实验结果及分析 | 第37-42页 |
| 3.5 小结 | 第42-43页 |
| 第4章 基于初始点选择的加权K-均值算法 | 第43-58页 |
| 4.1 算法基本思想 | 第43-45页 |
| 4.1.1 初始聚类中心的选择 | 第43-45页 |
| 4.1.2 权重设置 | 第45页 |
| 4.2 算法步骤 | 第45-46页 |
| 4.3 实验结果及分析 | 第46-52页 |
| 4.3.1 原始的K-均值聚类算法实验结果 | 第47-48页 |
| 4.3.2 改进的K-均值聚类算法结果 | 第48-51页 |
| 4.3.3 实验结果分析 | 第51-52页 |
| 4.4 改进算法在基因表达谱数据中的应用 | 第52-56页 |
| 4.4.1 基因表达谱数据 | 第52-53页 |
| 4.4.2 实验数据 | 第53页 |
| 4.4.3 实验设计及结果分析 | 第53-56页 |
| 4.5 小结 | 第56-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65页 |
