| 目录 | 第1-4页 |
| 中文摘要 | 第4-5页 |
| 英文摘要 | 第5-6页 |
| 第一章 绪论 | 第6-9页 |
| §1．1 引言 | 第6页 |
| §1．2 研究现状 | 第6-8页 |
| §1．3 本文的主要内容 | 第8-9页 |
| 第二章 数据挖掘技术综述 | 第9-18页 |
| §2．1 数据挖掘技术概述 | 第9-10页 |
| §2．2 数据挖掘研究现状 | 第10-11页 |
| §2．3 数据挖掘的任务和挖掘方法 | 第11-14页 |
| §2．3．1 数据抽取 | 第12页 |
| §2．3．2 分类发现 | 第12-13页 |
| §2．3．3 聚类 | 第13页 |
| §2．3．4 关联规则发现 | 第13-14页 |
| §2．4 数据挖掘工具的评价标准及工具特点 | 第14-18页 |
| §2．4．1 产生的模式种类的多少 | 第14-15页 |
| §2．4．2 解决复杂问题的能力 | 第15页 |
| §2．4．3 易操作性 | 第15-16页 |
| §2．4．4 数据存取能力 | 第16页 |
| §2．4．5 与其他产品的接口 | 第16页 |
| §2．4．6 数据挖掘工具 | 第16-18页 |
| 第三章 面向聚类挖掘的方法 | 第18-28页 |
| §3．1 聚类分析概述 | 第18-20页 |
| §3．1．1 聚类分析的分类 | 第18页 |
| §3．1．2 聚类分析的研究方向 | 第18-19页 |
| §3．1．3 聚类分析的应用 | 第19-20页 |
| §3．2 用于聚类挖掘的统计方法 | 第20-28页 |
| §3．2．1 传统统计的聚类方法 | 第20-23页 |
| §3．2．2 运用遗传算法改进统计聚类方法 | 第23-27页 |
| §3．2．3 小结 | 第27-28页 |
| 第四章 模糊聚类理论应用及研究 | 第28-38页 |
| §4．1 模糊聚类目标函数的演化 | 第28-33页 |
| §4．1．1 模糊划分矩阵U | 第29-30页 |
| §4．1．2 相似性准则D（·） | 第30-31页 |
| §4．1．3 聚类原型B | 第31-32页 |
| §4．1．4 加权指数m | 第32-33页 |
| §4．1．5 各种数据集X聚类 | 第33页 |
| §4．2 模糊聚类算法实现途径的研究 | 第33-35页 |
| §4．2．1 基于交替优化的实现 | 第33-34页 |
| §4．2．2 基于神经网络的实现 | 第34页 |
| §4．2．3 基于进化计算的实现 | 第34-35页 |
| §4．3 模糊聚类有效性的研究 | 第35-36页 |
| §4．4 模糊聚类的应用研究 | 第36-38页 |
| §4．4．1 模糊聚类在模式识别中的应用 | 第36-37页 |
| §4．4．2 模糊聚类在图像处理中的应用 | 第37-38页 |
| 第五章 C-均值聚类算法的改进及研究 | 第38-44页 |
| §5．1 C-均值聚类算法的研究 | 第38-41页 |
| §5．2 模糊C-均值算法 | 第41-42页 |
| §5．3 改进的模糊C-均值算法 | 第42-44页 |
| 第六章 对手抑制式模糊C-均值聚类算法及其分析 | 第44-56页 |
| §6．1 模糊C-均值聚类算法 | 第44-46页 |
| §6．2 模糊C-均值聚类算法的分析 | 第46页 |
| §6．3 新的软聚类算法—对手抑制式模糊C-均值聚类算法 | 第46-52页 |
| §6．3．1 现有软聚类算法介绍与分析 | 第46-47页 |
| §6．3．2 新的软聚类算法——对手抑制式模糊C-均值聚类算法 | 第47-52页 |
| §6．4 实验结果 | 第52-55页 |
| §6．5 小结 | 第55-56页 |
| 第七章 结束语 | 第56-57页 |
| §7．1 本文的主要工作 | 第56页 |
| §7．2 今后的工作 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-59页 |