| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-21页 |
| ·数据挖掘概述 | 第11-15页 |
| ·数据挖掘的任务和基本方法介绍 | 第12-13页 |
| ·数据挖掘的过程 | 第13-14页 |
| ·数据挖掘的应用和发展 | 第14-15页 |
| ·数据挖掘的工具 | 第15-17页 |
| ·SAS 的数据挖掘工具 | 第16页 |
| ·IBM 的数据挖掘工具——QUEST 系统 | 第16页 |
| ·SPSS（Statistical Program for Social Sciences）Clementine | 第16-17页 |
| ·目前研究的热点与难点 | 第17-18页 |
| ·本文研究的内容和意义 | 第18-21页 |
| ·课题来源 | 第18页 |
| ·本文研究的意义 | 第18-19页 |
| ·本文研究的内容 | 第19-21页 |
| 第2章 数据挖掘中的聚类分析 | 第21-29页 |
| ·聚类分析的概念、形式化描述及研究内容 | 第21-22页 |
| ·聚类分析算法的典型要求 | 第22-23页 |
| ·聚类分析的研究过程、方法及现状 | 第23-28页 |
| ·划分方法(partitioning method) | 第23-24页 |
| ·层次方法(hierarchical method) | 第24-26页 |
| ·基于密度的方法(density-based method) | 第26页 |
| ·基于网格的方法(grid-based method) | 第26-27页 |
| ·基于模型的方法(model-based method) | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 基于划分的聚类算法 | 第29-35页 |
| ·引言 | 第29页 |
| ·基于划分的聚类算法 | 第29-34页 |
| ·主要思想 | 第29-30页 |
| ·k-平均算法 | 第30-32页 |
| ·PAM | 第32-34页 |
| ·其他方法 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第4章 基于改进最小生成树聚类算法的描述 | 第35-39页 |
| ·引言 | 第35页 |
| ·基因表示的最小生成树聚类算法 | 第35-37页 |
| ·基因的生成树表示 | 第35-36页 |
| ·清除最长 MST 边的聚类法 | 第36页 |
| ·重复聚类算法 | 第36-37页 |
| ·改进的重复聚类法 | 第37页 |
| ·IMST 聚类算法 | 第37-38页 |
| ·数据集初分方案 | 第37页 |
| ·算法的基本思想 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第5章 算法实现及实例分析 | 第39-46页 |
| ·引言 | 第39页 |
| ·算法实现步骤描述 | 第39-41页 |
| ·证明该算法得到的树T_0是最小生成树 | 第41页 |
| ·算法效率分析 | 第41-42页 |
| ·具有一般问题的实例分析 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 第6章 IMST 聚类算法的多维分析 | 第46-51页 |
| ·引言 | 第46页 |
| ·高维数据的实例 | 第46-48页 |
| ·购物篮数据 | 第46页 |
| ·用户评分数据 | 第46-47页 |
| ·多媒体数据 | 第47页 |
| ·Web 使用数据 | 第47页 |
| ·时间序列数据 | 第47页 |
| ·基因表达数据 | 第47-48页 |
| ·通常处理高维数据聚类的方法 | 第48页 |
| ·分析随维数提高对IMST 算法的影响 | 第48-50页 |
| ·降低数据维数的实例分析 | 第50页 |
| ·本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 攻读学位期间发表的学术论文 | 第57-59页 |
| 致谢 | 第59页 |
