| 中文摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 论文的选题背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 数据挖掘及聚类算法研究 | 第11-12页 |
| 1.2.2 高维数据聚类 | 第12-13页 |
| 1.3 论文结构 | 第13-16页 |
| 第2章 聚类算法 | 第16-30页 |
| 2.1 聚类的定义及表示 | 第16页 |
| 2.2 相似度测量 | 第16-19页 |
| 2.3 传统的聚类算法 | 第19-22页 |
| 2.3.1 基于划分的方法 | 第19页 |
| 2.3.2 基于密度的方法 | 第19-20页 |
| 2.3.3 基于层次的方法 | 第20-21页 |
| 2.3.4 基于网格的方法 | 第21页 |
| 2.3.5 基于模型的方法 | 第21-22页 |
| 2.4 常见的典型聚类算法 | 第22-29页 |
| 2.4.1 K-均值算法 | 第22-23页 |
| 2.4.2 DBSCAN聚类算法 | 第23-24页 |
| 2.4.3 Canopy聚类算法 | 第24页 |
| 2.4.4 CFSFDP聚类算法 | 第24-28页 |
| 2.4.5 Mean Shift算法 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 高维数据集的聚类分析 | 第30-36页 |
| 3.1 引言 | 第30页 |
| 3.2 高维数据集的特点 | 第30-32页 |
| 3.2.1 稀疏性 | 第30-31页 |
| 3.2.2 维度灾难 | 第31页 |
| 3.2.3 高维数据对传统聚类方法的影响 | 第31-32页 |
| 3.3 高维数据的聚类方法 | 第32-34页 |
| 3.4 高维数据聚类方法的应用 | 第34页 |
| 3.5 本章小结 | 第34-36页 |
| 第4章 PD-AUTO算法的提出 | 第36-46页 |
| 4.1 引言 | 第36页 |
| 4.2 算法的提出 | 第36-40页 |
| 4.2.1 相似测量度 | 第37页 |
| 4.2.2 改进的指标 | 第37-40页 |
| 4.2.3 截断距离cd的选择 | 第40页 |
| 4.3 PD-AUTO算法的聚类过程 | 第40-43页 |
| 4.4 算法的创新 | 第43-44页 |
| 4.5 本章小结 | 第44-46页 |
| 第5章 实验结果与分析 | 第46-56页 |
| 5.1 引言 | 第46页 |
| 5.2 入侵检测技术 | 第46-48页 |
| 5.2.1 入侵检测的基本概念和结构 | 第46-47页 |
| 5.2.2 入侵检测系统的分类 | 第47-48页 |
| 5.2.3 入侵检测系统的评判标准和普遍存在的问题 | 第48页 |
| 5.3 实验数据介绍 | 第48-49页 |
| 5.4 实验结果与分析 | 第49-54页 |
| 5.5 本章小结 | 第54-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 发表论文和参加科研情况说明 | 第62-64页 |
| 致谢 | 第64-66页 |