| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 引言 | 第12-14页 |
| 1 绪论 | 第14-22页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.2.1 初始聚类中心优化方法 | 第15-18页 |
| 1.2.2 聚类数k的确定方法 | 第18-20页 |
| 1.3 研究内容及论文结构 | 第20-21页 |
| 1.3.1 研究内容 | 第20页 |
| 1.3.2 论文结构 | 第20-21页 |
| 1.4 本章小结 | 第21-22页 |
| 2 聚类分析介绍及K-means聚类算法 | 第22-40页 |
| 2.1 聚类分析基础 | 第22-26页 |
| 2.1.1 聚类分析的任务 | 第22-23页 |
| 2.1.2 典型聚类方法及特点 | 第23-25页 |
| 2.1.3 数据规范化方法 | 第25-26页 |
| 2.2 聚类质量评价 | 第26-32页 |
| 2.2.1 外部质量评价 | 第26-28页 |
| 2.2.2 内部质量评价 | 第28-32页 |
| 2.3 K-means聚类算法 | 第32-39页 |
| 2.3.1 K-means聚类算法 | 第32-34页 |
| 2.3.2 K-means聚类算法实现过程 | 第34-37页 |
| 2.3.3 K-means聚类算法缺陷分析 | 第37-39页 |
| 2.4 本章小结 | 第39-40页 |
| 3 基于主成分分析的K-means初始聚类中心优化 | 第40-49页 |
| 3.1 初始聚类中心优化方法的提出 | 第40-41页 |
| 3.2 新的初始聚类中心优化算法的实现 | 第41-43页 |
| 3.3 实验对比分析 | 第43-48页 |
| 3.3.1 人工模拟数据集实验 | 第43-46页 |
| 3.3.2 UCI真实数据集实验 | 第46-48页 |
| 3.4 本章小结 | 第48-49页 |
| 4 基于潜在稳定性的K-means最佳聚类数确定方法 | 第49-64页 |
| 4.1 潜在稳定性 | 第49-52页 |
| 4.2 基于潜在稳定性确定K-means最佳聚类数的方法 | 第52-55页 |
| 4.2.1 新方法的提出 | 第52-53页 |
| 4.2.2 新方法的实现 | 第53-55页 |
| 4.3 实验对比分析 | 第55-63页 |
| 4.4 本章小结 | 第63-64页 |
| 5 总结与展望 | 第64-66页 |
| 5.1 论文总结 | 第64页 |
| 5.2 下一步的工作 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 在学研究成果 | 第71-72页 |
| 致谢 | 第72页 |
