| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 数据挖掘概述 | 第8-11页 |
| 1.1.1 数据挖掘定义 | 第8页 |
| 1.1.2 数据挖掘过程 | 第8-9页 |
| 1.1.3 数据挖掘的分类 | 第9-11页 |
| 1.1.4 数据挖掘的应用及发展 | 第11页 |
| 1.2 课题的研究意义 | 第11-12页 |
| 1.3 主要研究内容 | 第12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第二章 聚类分析 | 第14-22页 |
| 2.1 理论知识基础 | 第14-16页 |
| 2.1.1 聚类分析中的数据类型 | 第14-15页 |
| 2.1.2 相似性测度 | 第15-16页 |
| 2.1.3 类间相似度测量 | 第16页 |
| 2.2 聚类分析的研究方向 | 第16-18页 |
| 2.3 聚类分析算法分类 | 第18-19页 |
| 2.4 K-means聚类算法 | 第19-20页 |
| 2.4.1 算法主要思想 | 第19-20页 |
| 2.4.2 K-means聚类算法的优缺点 | 第20页 |
| 2.5 本章小结 | 第20-22页 |
| 第三章 基于影响空间的K-means聚类初始中心点优化算法 | 第22-32页 |
| 3.1 相关工作 | 第22-23页 |
| 3.2 初始中心点优化方法 | 第23-28页 |
| 3.2.1 相关定义 | 第23-26页 |
| 3.2.2 算法描述 | 第26-28页 |
| 3.3 实验分析 | 第28-30页 |
| 3.3.1 聚类效果精度 | 第28-29页 |
| 3.3.2 聚类收敛速度比较 | 第29-30页 |
| 3.4 本章小结 | 第30-32页 |
| 第四章 一种影响空间下的快速K-means聚类算法 | 第32-42页 |
| 4.1 相关工作 | 第32-33页 |
| 4.2 ISBFK-means聚类算法 | 第33-35页 |
| 4.2.1 算法思想 | 第33-34页 |
| 4.2.2 算法描述 | 第34-35页 |
| 4.3 算法分析 | 第35-36页 |
| 4.4 实验分析 | 第36-40页 |
| 4.4.1 聚类质量分析 | 第37-38页 |
| 4.4.2 聚类效率分析 | 第38-39页 |
| 4.4.3 算法比较 | 第39-40页 |
| 4.5 本章小结 | 第40-42页 |
| 第五章 基于影响空间的天体光谱聚类分析原型系统 | 第42-50页 |
| 5.1 光谱数据的预处理 | 第42-43页 |
| 5.1.1 归一化 | 第43页 |
| 5.1.2 离散化 | 第43页 |
| 5.2 天体光谱ISBFK-means聚类实验验证 | 第43-45页 |
| 5.2.1 算法精度结果 | 第43-44页 |
| 5.2.2 算法效率 | 第44-45页 |
| 5.3 天体光谱聚类分析原型系统 | 第45-48页 |
| 5.3.1 系统总体架构 | 第45-46页 |
| 5.3.2 系统实例运行 | 第46-48页 |
| 5.4 本章小结 | 第48-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 总结 | 第50-51页 |
| 6.2 展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-58页 |
| 研究生期间发表论文及参与项目情况 | 第58页 |
