| 1 综述 | 第7-16页 |
| 1.1 数据挖掘的概念与国内外发展现状 | 第8-10页 |
| 1.2 数据挖掘的任务 | 第10-13页 |
| 1.3 数据挖掘的难点 | 第13-14页 |
| 1.4 数据挖掘的发展趋势 | 第14-16页 |
| 2 聚类分析概述 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 聚类分析的概念 | 第16-17页 |
| 2.3 聚类分析中的数据类型 | 第17-21页 |
| 2.3.1 数值属性 | 第17-18页 |
| 2.3.2 二值属性 | 第18-19页 |
| 2.3.3 符号属性 | 第19页 |
| 2.3.4 顺序变量属性 | 第19-20页 |
| 2.3.5 混合类型属性 | 第20-21页 |
| 2.4 元组间的相似性测度 | 第21-22页 |
| 2.5 类与类之间的相似性测度 | 第22-23页 |
| 2.6 系统聚类的一般原则 | 第23-24页 |
| 2.7 动念聚类算法的原理 | 第24-26页 |
| 3 聚类算法 | 第26-42页 |
| 3.1 K-均值算法的原理 | 第26-28页 |
| 3.2 自组织神经网络聚类算法 | 第28-36页 |
| 3.2.1 竞争学习规则 | 第29-31页 |
| 3.2.2 竞争学习原理 | 第31-32页 |
| 3.2.3 Kohonen自组织特征映射(SOM)神经网络 | 第32-33页 |
| 3.2.4 SOM网络的运行原理与学习算法 | 第33-36页 |
| 3.3 聚类分析的遗传算法 | 第36-38页 |
| 3.4 一种新的基于单亲遗传算法的Kohonen聚类算法 | 第38-42页 |
| 3.4.1 编码方式 | 第39页 |
| 3.4.2 适应度函数 | 第39页 |
| 3.4.3 算子 | 第39-40页 |
| 3.4.4 算法 | 第40页 |
| 3.4.5 仿真实验 | 第40-42页 |
| 4 模糊聚类 | 第42-52页 |
| 4.1 模糊K一均值算法 | 第44-45页 |
| 4.2 模糊Kohonen聚类网络 | 第45-47页 |
| 4.3 改进的模糊Kohonen算法 | 第47-49页 |
| 4.4 模糊Kohonen聚类神经网络进一步改进算法 | 第49-52页 |
| 4.4.1 改进算法 | 第50页 |
| 4.4.2 实验 | 第50-52页 |
| 5 聚类算法在网络教育中的应用 | 第52-59页 |
| 5.1 网络教育的概述 | 第52页 |
| 5.2 智能组卷算法的研究 | 第52-54页 |
| 5.3 智能出题系统题库结构 | 第54-56页 |
| 5.4 聚类算法在智能出题系统的实现 | 第56-59页 |
| 5.4.1 测试数据集描述 | 第56-57页 |
| 5.4.2 初始权向量的设计 | 第57页 |
| 5.4.3 网络结构设计 | 第57页 |
| 5.4.4 网络参数设计 | 第57-58页 |
| 5.4.5 可视化仿真 | 第58-59页 |
| 6 结束语 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
