| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 致谢 | 第7-12页 |
| 第一章 绪论 | 第12-25页 |
| ·选题背景与本文研究意义 | 第12页 |
| ·数据挖掘概述 | 第12-15页 |
| ·数据挖掘的背景知识 | 第13-14页 |
| ·数据挖掘的分类 | 第14-15页 |
| ·聚类分析概述 | 第15-22页 |
| ·聚类分析的背景知识 | 第16-19页 |
| ·聚类算法分类 | 第19-21页 |
| ·聚类算法研究面临的挑战 | 第21-22页 |
| ·特征的选择、提取与学习 | 第22-23页 |
| ·本文的研究内容与组织结构 | 第23-25页 |
| 第二章 传统聚类算法及特征学习的分析与研究 | 第25-35页 |
| ·K-means算法 | 第25-26页 |
| ·k-means工作原理 | 第25-26页 |
| ·k-means算法步骤 | 第26页 |
| ·k-means算法性能分析 | 第26页 |
| ·模糊 C均值算法FCM | 第26-28页 |
| ·FCM算法的工作原理 | 第27页 |
| ·FCM算法性能分析 | 第27-28页 |
| ·特征选择和分类学习方法 | 第28-34页 |
| ·次优搜索法 | 第30-31页 |
| ·贝叶斯信念网络 | 第31-32页 |
| ·神经网络后传算法 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 基于RELIEF算法的特征评价方法研究 | 第35-44页 |
| ·Relief算法原理 | 第35-36页 |
| ·基于 Relief的特征评价及其存在的不足 | 第36-38页 |
| ·特征评价函数(FCF)的构造 | 第38-43页 |
| ·具有数值型特征权值计算 | 第38-41页 |
| ·带权的相似度计算 | 第41-42页 |
| ·具有类属性特征权值计算 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 特征学习聚类算法(FLC)及其特点 | 第44-55页 |
| ·基于FCF的特征学习聚类(FLC) | 第45-47页 |
| ·FLC算法的特点 | 第47-48页 |
| ·初始聚类中心的选取 | 第48-50页 |
| ·实验结果与分析 | 第50-54页 |
| ·实验一:数字型特征的FLC聚类 | 第50-51页 |
| ·实验二: FLC与k-means关于目标函数值的比较 | 第51-52页 |
| ·实验三:具有类属性特征的FLC聚类 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| ·总结全文 | 第55页 |
| ·存在不足和研究展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 附录 攻读硕士学位期间撰写的论文 | 第61页 |