| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第1章 绪论 | 第9-14页 |
| ·数据挖掘概述 | 第9-10页 |
| ·课题研究背景与意义 | 第10-11页 |
| ·国内外研究现状 | 第11-12页 |
| ·本文主要内容及创新之处 | 第12-14页 |
| 第2章 聚类分析的相关知识 | 第14-29页 |
| ·数据的相似性度量 | 第14-17页 |
| ·相似度的定义 | 第14页 |
| ·常用的相似性度量方式 | 第14-16页 |
| ·共享最近邻相似度 | 第16-17页 |
| ·传统聚类算法分析 | 第17-22页 |
| ·传统聚类算法简述 | 第17-18页 |
| ·传统聚类算法分类 | 第18-22页 |
| ·传统聚类算法性能比较 | 第22页 |
| ·半监督聚类算法分析 | 第22-27页 |
| ·半监督聚类的假设 | 第24页 |
| ·半监督学习框架 | 第24-26页 |
| ·主动学习与半监督学习 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第3章 基于最近邻的孤立点检测算法 | 第29-40页 |
| ·研究意义 | 第29-30页 |
| ·最近邻集的确定 | 第30-31页 |
| ·算法描述 | 第31-32页 |
| ·算法特点 | 第32-33页 |
| ·实验分析 | 第33-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 基于共享最近邻的半监督聚类 | 第40-59页 |
| ·研究意义 | 第40-42页 |
| ·共享最近邻 | 第42页 |
| ·约束信息 | 第42-46页 |
| ·先验知识的获取 | 第42-43页 |
| ·先验知识的表现形式 | 第43-44页 |
| ·约束集的扩展 | 第44-46页 |
| ·SNN 相似度图 | 第46-48页 |
| ·算法描述 | 第48-50页 |
| ·实验分析 | 第50-57页 |
| ·约束扩展性能的验证 | 第50-53页 |
| ·算法聚类效果的验证 | 第53-55页 |
| ·Lypmphography 数据集上两个算法的结合 | 第55-57页 |
| ·本章小结 | 第57-59页 |
| 第5章 结论和展望 | 第59-61页 |
| ·全文总结 | 第59-60页 |
| ·下一步工作及展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间参加的科研项目和成果 | 第66页 |