| 第一章 绪论 | 第1-34页 |
| ·研究背景和意义 | 第12-13页 |
| ·研究现状 | 第13-27页 |
| ·数据挖掘的发展状况 | 第14-16页 |
| ·知识发现与数据挖掘 | 第16-18页 |
| ·知识发现过程 | 第17-18页 |
| ·知识发现的核心数据挖掘 | 第18页 |
| ·数据挖掘的挖掘任务和挖掘方法 | 第18-23页 |
| ·数据抽取 | 第19-20页 |
| ·分类发现 | 第20-21页 |
| ·聚类 | 第21-22页 |
| ·关联规则发现 | 第22-23页 |
| ·数据挖掘中常用技术 | 第23-26页 |
| ·数据挖掘实际应用 | 第26-27页 |
| ·数据挖掘的热点 | 第27-31页 |
| ·关联规则挖掘 | 第27-29页 |
| ·复杂数据挖掘 | 第29-31页 |
| ·本文工作概述 | 第31-32页 |
| ·本文组织 | 第32-34页 |
| 第二章 产生候选集的串行数据挖掘算法研究 | 第34-48页 |
| ·引言 | 第34页 |
| ·关联规则描述 | 第34-36页 |
| ·Apriori算法 | 第36-40页 |
| ·找出频繁项目集的过程描述 | 第36-38页 |
| ·由频繁项集产生关联规则 | 第38-40页 |
| ·通过使用哈希树提高Apriori的有效性 | 第40-44页 |
| ·算法描述 | 第40-42页 |
| ·算法分析 | 第42-44页 |
| ·其他有代表性的串行挖掘算法分析 | 第44-48页 |
| 第三章 关联规则挖掘的并行算法 | 第48-74页 |
| ·引言 | 第48页 |
| ·并行计算概论 | 第48-55页 |
| ·并行计算机 | 第48页 |
| ·并行算法 | 第48-50页 |
| ·并行计算模型 | 第50-51页 |
| ·并行算法的设计环境 | 第51页 |
| ·并行算法的一般设计过程 | 第51-55页 |
| ·划分 | 第52-53页 |
| ·通信 | 第53-54页 |
| ·组合 | 第54-55页 |
| ·映射 | 第55页 |
| ·并行挖掘关联规则的算法 | 第55-67页 |
| ·进行候选集复制的算法 | 第56-59页 |
| ·CD算法(count distribution) | 第56-58页 |
| ·并行PARTITION算法 | 第58页 |
| ·PDM(Parallel data mining)算法 | 第58页 |
| ·CDTP(Count Distributed Tree Projection) 算法 | 第58-59页 |
| ·划分候选集的算法 | 第59-64页 |
| ·DD算法(data distribution) | 第59-61页 |
| ·IDD算法(intelligent data distribution) | 第61-63页 |
| ·HPA(Hash Partitioned Apriori)算法 | 第63-64页 |
| ·IDDTP(Intelligent Data Distributed Tree Projection algorithm) | 第64页 |
| ·混合策略:对于候选集的部分复制 | 第64-67页 |
| ·多处理机调度算法 | 第67-69页 |
| ·引入在线LPT调度算法平衡IDD和HD算法中各个节点的负载 | 第69-70页 |
| ·算法分析 | 第70-73页 |
| ·理论分析 | 第70-72页 |
| ·实验结果分析 | 第72-73页 |
| ·结论 | 第73-74页 |
| 第四章 一种改进的发现频繁项目集的并行算法 | 第74-80页 |
| ·引言 | 第74-75页 |
| ·基于FP-growth算法的并行模式 | 第75-77页 |
| ·建立本地并行树 | 第76页 |
| ·并行挖掘频繁项目集 | 第76-77页 |
| ·数据挖掘中的动态负载平衡 | 第77-78页 |
| ·实验结果分析 | 第78页 |
| ·小结 | 第78-80页 |
| 第五章 一种高效的并行挖掘频繁序列的算法 | 第80-90页 |
| ·引言 | 第80页 |
| ·串行序列挖掘 | 第80-85页 |
| ·序列挖掘的基本概念 | 第80-82页 |
| ·序列模式挖掘的情形和参数 | 第81-82页 |
| ·连续序列模式挖掘的形式化描述 | 第82页 |
| ·串行投影树算法 | 第82-83页 |
| ·基于投影树算法的序列模式挖掘 | 第83-85页 |
| ·并行序列挖掘 | 第85-86页 |
| ·基于投影树算法的序列挖掘的数据并行模式 | 第85页 |
| ·基于投影树算法的序列挖掘的任务并行模式 | 第85-86页 |
| ·算法分析 | 第86-88页 |
| ·数据并行模式 | 第87页 |
| ·任务并行模式 | 第87-88页 |
| ·实验结果分析 | 第88-89页 |
| ·小结 | 第89-90页 |
| 第六章 连续Hopfiled神经网络在图像数据挖掘聚类中的应用 | 第90-102页 |
| ·引言 | 第90-91页 |
| ·多媒体数据库与多媒体数据挖掘简介 | 第91-93页 |
| ·多媒体数据的相似性搜索 | 第91-92页 |
| ·多媒体数据的分类和预测分析 | 第92-93页 |
| ·矢量量化与连续Hopfield神经网络简介 | 第93-95页 |
| ·矢量量化简介 | 第93-94页 |
| ·连续Hopfield神经网络 | 第94-95页 |
| ·图像特征矢量组提取(码书设计)的Hopfield网络映射 | 第95页 |
| ·图像特征矢量组提取的网络能量函数刻画和状态转换方程描述 | 第95-98页 |
| ·能量函数的刻画和状态转换方程的描述 | 第96-97页 |
| ·竞争机制的引入 | 第97-98页 |
| ·算法描述 | 第98-99页 |
| ·算法实现 | 第99-101页 |
| ·初始化的实现 | 第99页 |
| ·网络收敛性判断 | 第99页 |
| ·最终码书的计算 | 第99页 |
| ·实验结果 | 第99-101页 |
| ·结论 | 第101-102页 |
| 第七章 结论 | 第102-105页 |
| ·本文工作回顾 | 第102-104页 |
| ·进一步的工作 | 第104-105页 |
| 参考文献 | 第105-113页 |
| 致谢 | 第113-114页 |
| 作者简历、在学期间参与的科研项目和研究成果 | 第114-115页 |
| 攻读博士学位期间发表和录用的文章 | 第115页 |
