| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-16页 |
| 1.1 论文的研究背景及选题意义 | 第7-8页 |
| 1.2 国内外聚类方法现状综述 | 第8-14页 |
| 1.2.1 聚类简介 | 第8-9页 |
| 1.2.2 聚类方法的分类 | 第9-10页 |
| 1.2.3 数据挖掘领域中常用的聚类方法 | 第10-13页 |
| 1.2.4 需要研究的方向 | 第13-14页 |
| 1.3 论文研究的内容及组织 | 第14-16页 |
| 2 划分聚类算法 | 第16-26页 |
| 2.1 划分聚类概述 | 第16-17页 |
| 2.2 聚类分析中的数据类型及相似度度量方法 | 第17-20页 |
| 2.2.1 聚类分析中的数据类型 | 第17页 |
| 2.2.2 聚类分析中的相似度度量方法 | 第17-20页 |
| 2.3 聚类分析中的聚类准则函数 | 第20-22页 |
| 2.4 典型的划分方法 | 第22-25页 |
| 2.4.1 基于质心的技术－K-means方法 | 第22-23页 |
| 2.4.2 基于有代表性对象的技术－K-medoid方法 | 第23-24页 |
| 2.4.3 大型数据库中的划分方法 | 第24-25页 |
| 2.5 小结 | 第25-26页 |
| 3 K-means算法及改进 | 第26-40页 |
| 3.1 K-means算法简介 | 第26-33页 |
| 3.1.1 K-means算法的基本思想及算法框架 | 第26-28页 |
| 3.1.2 K-means算法的特点和面临的主要问题 | 第28-29页 |
| 3.1.3 K-means算法的初值依赖性 | 第29-30页 |
| 3.1.4 选取初值的现有方法 | 第30-31页 |
| 3.1.5 Bradley的优化算法 | 第31-33页 |
| 3.2 使用其它算法对K-means的改进 | 第33页 |
| 3.3 新改进的K-means算法 | 第33-39页 |
| 3.3.1 改进算法描述 | 第34-35页 |
| 3.3.2 实验结果 | 第35-39页 |
| 3.4 小结 | 第39-40页 |
| 4 聚类算法的并行化研究 | 第40-55页 |
| 4.1 并行聚类现状 | 第40-41页 |
| 4.2 并行策略 | 第41-42页 |
| 4.3 PVM系统简介 | 第42-45页 |
| 4.3.1 PVM的组成 | 第42-44页 |
| 4.3.2 PVM的使用方法 | 第44-45页 |
| 4.4 并行算法的性能评价 | 第45-47页 |
| 4.5 K-means算法的并行 | 第47-53页 |
| 4.5.1 动态负载均衡 | 第47-48页 |
| 4.5.2 并行K-means算法的实现 | 第48-50页 |
| 4.5.3 并行算法的分析 | 第50-51页 |
| 4.5.4 实验结果 | 第51-53页 |
| 4.6 提高并行性能的方法 | 第53-54页 |
| 4.7 小结 | 第54-55页 |
| 5 论文的总结 | 第55-57页 |
| 5.1 论文的主要工作 | 第55页 |
| 5.2 进一步努力的方向 | 第55-57页 |
| 致 谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附: 作者在攻读硕士士学位期间发表的论文以及参与的项目目录 | 第61页 |
