| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 空间数据挖掘概述 | 第10-11页 |
| 1.1.1 空间数据的定义 | 第10页 |
| 1.1.2 空间数据挖掘的定义 | 第10-11页 |
| 1.1.3 空间数据挖掘的意义 | 第11页 |
| 1.2 空间数据挖掘聚类的研究及意义 | 第11-13页 |
| 1.2.1 空间聚类的国内外研究现状 | 第11-12页 |
| 1.2.2 空间聚类的研究意义 | 第12-13页 |
| 1.2.3 本文的主要研究内容及意义 | 第13页 |
| 1.3 本文的组织结构 | 第13-16页 |
| 2 聚类分析的基本理论 | 第16-22页 |
| 2.1 聚类分析概述 | 第16页 |
| 2.2 聚类分析中常见的数据结构 | 第16-18页 |
| 2.3 聚类分析中的距离和相似系数 | 第18-20页 |
| 2.4 聚类分析中的准则函数 | 第20页 |
| 2.5 聚类分析中的主要步骤 | 第20-21页 |
| 2.6 本章小结 | 第21-22页 |
| 3 空间聚类分析 | 第22-28页 |
| 3.1 传统的空间聚类分析算法 | 第22-24页 |
| 3.1.1 基于层次的聚类 | 第22页 |
| 3.1.2 基于密度的聚类 | 第22-23页 |
| 3.1.3 基于划分的聚类 | 第23页 |
| 3.1.4 基于图的聚类 | 第23-24页 |
| 3.1.5 基于模型的聚类 | 第24页 |
| 3.2 新发展的聚类分析算法 | 第24-26页 |
| 3.2.1 量子聚类 | 第24-25页 |
| 3.2.2 核聚类 | 第25页 |
| 3.2.3 谱聚类 | 第25-26页 |
| 3.3 本章小结 | 第26-28页 |
| 4 基于动态队列智能算法的聚类分析 | 第28-40页 |
| 4.1 引言 | 第28-29页 |
| 4.2 层次聚类 | 第29-30页 |
| 4.3 队列智能算法 | 第30-31页 |
| 4.4 动态队列智能聚类算法 | 第31-37页 |
| 4.4.1 初始种群的组成 | 第32页 |
| 4.4.2 层次聚类对种群聚类 | 第32-33页 |
| 4.4.3 组成新种群 | 第33页 |
| 4.4.4 适应度计算 | 第33-34页 |
| 4.4.5 个体选择 | 第34-35页 |
| 4.4.6 收缩采样空间，采样和贪婪选择 | 第35页 |
| 4.4.7 算法流程图伪代码 | 第35-36页 |
| 4.4.8 算例分析 | 第36-37页 |
| 4.5 模拟仿真测试 | 第37-39页 |
| 4.6 本章小结 | 第39-40页 |
| 5 基于距离和密度双度量的K-modes算法 | 第40-56页 |
| 5.1 引言 | 第40页 |
| 5.2 模糊聚类 | 第40-44页 |
| 5.2.1 糊糊集合 | 第41页 |
| 5.2.2 糊糊矩阵 | 第41-42页 |
| 5.2.3 模糊聚类分析 | 第42-44页 |
| 5.3 k-modes算法 | 第44-45页 |
| 5.3.1 相异性度量 | 第44-45页 |
| 5.3.2 k-modes算法 | 第45页 |
| 5.4 模糊k-modes聚类算法 | 第45-46页 |
| 5.5 基于距离和密度双度量的模糊k-modes算法 | 第46-49页 |
| 5.6 模拟实验与分析 | 第49-51页 |
| 5.7 改进算法在空间数据中的实验与分析 | 第51-54页 |
| 5.8 本章小结 | 第54-56页 |
| 6 空间数据聚类应用 | 第56-68页 |
| 6.1 移动电话空间数据的聚类分析 | 第56-60页 |
| 6.1.1 原始数据介绍 | 第56页 |
| 6.1.2 程序运行结果分析 | 第56-60页 |
| 6.2 的士与公交车空间数据的聚类分析 | 第60-64页 |
| 6.2.1 原始数据介绍 | 第60页 |
| 6.2.2 程序运行结果分析 | 第60-64页 |
| 6.3 主要程序代码 | 第64-66页 |
| 6.4 本章小结 | 第66-68页 |
| 7 总结与展望 | 第68-70页 |
| 7.1 本文的主要研究工作总结 | 第68页 |
| 7.2 进一步的工作展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 硕士研究生学习阶段发表的论文 | 第76-78页 |
| 附录A | 第78-86页 |
| 附录B | 第86-88页 |
| 致谢 | 第88页 |