| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 课题研究背景 | 第10-12页 |
| 1.1.1 数据挖掘技术的发展 | 第10-12页 |
| 1.1.2 模糊理论及发展及现状 | 第12页 |
| 1.2 课题研究的现状 | 第12-14页 |
| 1.3 课题研究的意义 | 第14-15页 |
| 1.4 论文的结构和章节安排 | 第15-16页 |
| 2 聚类分析 | 第16-21页 |
| 2.1 聚类分析原理 | 第16-17页 |
| 2.2 聚类分析中的数据类型 | 第17页 |
| 2.3 模糊聚类分析 | 第17-20页 |
| 2.3.1 模糊聚类的产生 | 第17-18页 |
| 2.3.2 模糊聚类的分类 | 第18页 |
| 2.3.3 模糊聚类算法的优化方法研究 | 第18-19页 |
| 2.3.4 模糊聚类的应用 | 第19-20页 |
| 2.4 小结 | 第20-21页 |
| 3 聚类算法 | 第21-31页 |
| 3.1 数据挖掘对聚类分析的要求 | 第21-22页 |
| 3.2 常规聚类算法分类 | 第22-26页 |
| 3.2.1 基于划分的方法 | 第22-23页 |
| 3.2.2 基于层次的方法 | 第23-24页 |
| 3.2.3 基于密度的方法 | 第24-25页 |
| 3.2.4 基于网格的方法 | 第25页 |
| 3.2.5 基于模型的方法 | 第25-26页 |
| 3.2.6 基于模糊理论的聚类算法 | 第26页 |
| 3.3 模糊聚类算法 | 第26-30页 |
| 3.3.1 HCM 算法 | 第27-28页 |
| 3.3.2 模糊 C 均值(FCM，Fuzzy C-means)聚类算法 | 第28-29页 |
| 3.3.3 HCM 算法和模糊 C 均值算法(FCM)的关系 | 第29-30页 |
| 3.4 小结 | 第30-31页 |
| 4 基于密度的初始簇中心的确定 | 第31-37页 |
| 4.1 模糊 C 均值算法存在的问题 | 第31-33页 |
| 4.2 高斯密度函数确定初始簇中心 | 第33-36页 |
| 4.2.1 高斯密度函数 | 第33-35页 |
| 4.2.2 实验结果分析 | 第35-36页 |
| 4.3 小结 | 第36-37页 |
| 5 基于密度函数加权的模糊 C 均值聚类算法的设计与实现 | 第37-60页 |
| 5.1 基于密度函数加权的模糊 C 均值聚类算法的提出 | 第37页 |
| 5.2 相关定义 | 第37-38页 |
| 5.2.1 数据对象密度 | 第37页 |
| 5.2.2 加权系数 | 第37-38页 |
| 5.2.3 隶属度 | 第38页 |
| 5.3 基于密度函数加权的模糊 C 均值聚类算法设计 | 第38-39页 |
| 5.4 实验结果及分析 | 第39-58页 |
| 5.4.1 仿真二维数据集测试实验 | 第39-54页 |
| 5.4.2 标准数据集测试实验 | 第54-57页 |
| 5.4.3 高维数据集测试实验 | 第57-58页 |
| 5.5 小结 | 第58-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 在学研究成果 | 第65-66页 |
| 致谢 | 第66页 |
