| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 绪论 | 第9-19页 |
| ·数据挖掘概述 | 第9-13页 |
| ·数据挖掘的产生背景 | 第9页 |
| ·数据挖掘的特点 | 第9-10页 |
| ·数据挖掘的任务 | 第10-12页 |
| ·数据挖掘的常用方法 | 第12-13页 |
| ·聚类分析的研究现状 | 第13-16页 |
| ·本文的研究内容 | 第16-17页 |
| ·本章小结 | 第17-19页 |
| 2 数据挖掘中的聚类分析方法 | 第19-29页 |
| ·聚类的定义 | 第19页 |
| ·聚类算法中的数据结构 | 第19-20页 |
| ·聚类分析中的相似度度量方法 | 第20-22页 |
| ·聚类准则函数 | 第22-23页 |
| ·主要的聚类算法 | 第23-28页 |
| ·基于划分的算法 | 第24页 |
| ·基于层次的算法 | 第24-25页 |
| ·基于密度的算法 | 第25-26页 |
| ·基于网格的算法 | 第26页 |
| ·基于模型的算法 | 第26-27页 |
| ·基于模糊理论的聚类算法 | 第27页 |
| ·新兴的聚类算法 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 3 C-均值聚类算法分析 | 第29-37页 |
| ·K-均值算法 | 第29-31页 |
| ·算法的基本思想 | 第29-30页 |
| ·算法的工作流程 | 第30-31页 |
| ·算法的特点分析 | 第31页 |
| ·模糊C-均值算法 | 第31-32页 |
| ·算法思想 | 第31-32页 |
| ·算法的工作流程 | 第32页 |
| ·算法的特点分析 | 第32页 |
| ·两种算法的区别与联系 | 第32-33页 |
| ·C-均值聚类算法的研究现状 | 第33-35页 |
| ·本章小结 | 第35-37页 |
| 4 基于特征加权的改进K-均值聚类算法 | 第37-44页 |
| ·初始聚类中心选择算法 | 第37-40页 |
| ·改进的K-均值聚类算法 | 第40-41页 |
| ·权值计算 | 第40-41页 |
| ·改进的聚类算法描述 | 第41页 |
| ·实验结果 | 第41-43页 |
| ·实验一 | 第42页 |
| ·实验二 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 5 基于改进模糊C-均值聚类算法的彩色图像分割 | 第44-52页 |
| ·初始聚类中心与聚类个数的选取 | 第45-47页 |
| ·粗糙集理论的一些基本概念 | 第46页 |
| ·基于粗糙集理论的灰度空间划分方法 | 第46-47页 |
| ·改进的模糊C-均值聚类算法 | 第47-49页 |
| ·特征距离 | 第47-48页 |
| ·算法描述 | 第48-49页 |
| ·图像分割实验 | 第49-51页 |
| ·选用欧氏距离与特征距离的实验结果比较 | 第49-50页 |
| ·使用传统模糊C-均值算法和本文算法对图像分割效果比较 | 第50页 |
| ·迭代次数和执行时间比较 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 6 总结与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间的科研情况 | 第59-60页 |