数据库负载自适应实时在线聚类算法的设计与实现
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-24页 |
| ·研究背景 | 第10-14页 |
| ·选题的背景和意义 | 第10-11页 |
| ·研究现状 | 第11-14页 |
| ·数据挖掘技术介绍 | 第14-22页 |
| ·数据挖掘概述 | 第14-16页 |
| ·数据挖掘常用技术 | 第16-17页 |
| ·数据挖掘的对象 | 第17-20页 |
| ·数据挖掘的过程 | 第20-21页 |
| ·数据挖掘的应用 | 第21-22页 |
| ·本文工作 | 第22-23页 |
| ·内容组织 | 第23-24页 |
| 第二章 聚类分析 | 第24-34页 |
| ·聚类分析概念 | 第24-25页 |
| ·聚类分析中的数据类型 | 第25-27页 |
| ·数据矩阵 | 第25页 |
| ·相似性矩阵 | 第25-26页 |
| ·区间标度变量 | 第26页 |
| ·相似性度量 | 第26-27页 |
| ·聚类分析中的主要算法 | 第27-32页 |
| ·划分方法 | 第27-29页 |
| ·层次方法 | 第29-30页 |
| ·基于密度的方法 | 第30-31页 |
| ·基于网格的方法 | 第31页 |
| ·基于模型的方法 | 第31-32页 |
| ·模糊方法 | 第32页 |
| ·本章小结 | 第32-34页 |
| 第三章 K-means算法与增量算法介绍 | 第34-40页 |
| ·K-means算法 | 第34-37页 |
| ·k-means算法的基本思想 | 第34页 |
| ·k-means算法的主要步骤 | 第34-35页 |
| ·k-means算法的优缺点分析 | 第35-37页 |
| ·增量算法 | 第37-39页 |
| ·增量方法的意义 | 第37页 |
| ·增量方法介绍 | 第37-38页 |
| ·基于先验知识的增量聚类算法 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 在线聚类算法的设计与实现 | 第40-56页 |
| ·基于特征向量的聚类算法 | 第40-43页 |
| ·基于先验知识的增量聚类算法 | 第43-45页 |
| ·实验 | 第45-52页 |
| ·实验背景 | 第45页 |
| ·数据库负载自适应模型介绍 | 第45-47页 |
| ·实验 | 第47-52页 |
| ·实验结果分析 | 第52-54页 |
| ·本章小结 | 第54-56页 |
| 第五章 结论与展望 | 第56-58页 |
| ·工作总结 | 第56页 |
| ·展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 在读期间发表文章目录 | 第64页 |
