| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 研究现状 | 第10-16页 |
| 1.3.1 数据挖掘中聚类分析研究现状 | 第10-13页 |
| 1.3.2 K-Means算法研究现状 | 第13-15页 |
| 1.3.3 数据挖掘在林业中应用的研究现状 | 第15-16页 |
| 1.4 研究内容与技术路线 | 第16-17页 |
| 1.4.1 研究内容 | 第16-17页 |
| 1.4.2 技术路线 | 第17页 |
| 1.5 本文结构 | 第17-19页 |
| 2 聚类原理及不同聚类方法分析与比较 | 第19-31页 |
| 2.1 聚类的定义 | 第19-20页 |
| 2.2 聚类分析方法 | 第20-28页 |
| 2.2.1 基于划分的方法 | 第20-23页 |
| 2.2.2 基于层次的方法 | 第23-24页 |
| 2.2.3 基于模型的方法 | 第24-25页 |
| 2.2.4 基于密度的方法 | 第25-26页 |
| 2.2.5 基于网格的方法 | 第26-28页 |
| 2.3 各种聚类方法的比较 | 第28-29页 |
| 2.4 聚类分析的应用 | 第29页 |
| 2.5 小结 | 第29-31页 |
| 3 经典K-Means算法分析与改进 | 第31-47页 |
| 3.1 经典K-Means算法 | 第31-32页 |
| 3.2 问题的提出 | 第32-33页 |
| 3.3 K值确定 | 第33-36页 |
| 3.3.1 相关概念与定义 | 第33-34页 |
| 3.3.2 K值优化步骤 | 第34-35页 |
| 3.3.3 K-Means算法中K值优化的应用分析 | 第35-36页 |
| 3.4 改进K-Means算法中初始聚类中心的选取 | 第36-45页 |
| 3.4.1 初始化聚类中心的基本思想 | 第36-37页 |
| 3.4.2 相关概念与定义 | 第37-39页 |
| 3.4.3 算法实现步骤 | 第39页 |
| 3.4.4 K-Means算法中初始聚类中心优化分析 | 第39-45页 |
| 3.5 小结 | 第45-47页 |
| 4 改进K-Means算法在森林健康评价应用分析 | 第47-67页 |
| 4.1 研究地区和数据来源 | 第47-48页 |
| 4.1.1 研究区概况 | 第47页 |
| 4.1.2 数据来源 | 第47-48页 |
| 4.2 基于K-Means方法的评价指标体系构建 | 第48-55页 |
| 4.2.1 评价指标选取原则 | 第48页 |
| 4.2.2 构建评价指标体系 | 第48-51页 |
| 4.2.3 评价指标的量化 | 第51-53页 |
| 4.2.4 评价指标权重确定 | 第53-55页 |
| 4.3 评价方法与标准 | 第55-59页 |
| 4.3.1 评价方法 | 第55-58页 |
| 4.3.2 评价标准 | 第58-59页 |
| 4.4 评价结果的实例分析与验证 | 第59-67页 |
| 4.4.1 训练样本数据 | 第59-60页 |
| 4.4.2 K值和K个初始聚类中心的确定 | 第60-61页 |
| 4.4.3 森林健康评价及结果分析 | 第61-67页 |
| 5 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 参考文献 | 第69-77页 |
| 附录A 攻读学位期间的主要学术成果 | 第77-79页 |
| 致谢 | 第79页 |
