基于邻域的离群检测与聚类算法研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第10-20页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究现状 | 第12-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17-20页 |
| 2 理论基础和相关工作 | 第20-38页 |
| 2.1 聚类分析 | 第20-33页 |
| 2.1.1 相似度度量 | 第22页 |
| 2.1.2 有效性评价 | 第22-24页 |
| 2.1.3 聚类算法 | 第24-33页 |
| 2.2 离群检测 | 第33-36页 |
| 2.2.1 离群检测算法 | 第34-36页 |
| 2.2.2 离群检测评价 | 第36页 |
| 2.3 本章小结 | 第36-38页 |
| 3 基于逆k最近邻的离群点检测算法 | 第38-56页 |
| 3.1 引言 | 第38页 |
| 3.2 最近邻概述 | 第38-44页 |
| 3.2.1 k最近邻 | 第38-39页 |
| 3.2.2 互k最近邻 | 第39-40页 |
| 3.2.3 共享k最近邻 | 第40-41页 |
| 3.2.4 自然最近邻 | 第41-43页 |
| 3.2.5 逆k最近邻 | 第43-44页 |
| 3.3 逆k最近邻分析 | 第44-49页 |
| 3.3.1 逆k最近邻算法 | 第44-46页 |
| 3.3.2 逆k最近邻数目分布 | 第46-47页 |
| 3.3.3 逆k最近邻数目稳定性 | 第47-49页 |
| 3.4 基于逆k最近邻的离群点检测算法 | 第49-55页 |
| 3.4.1 邻域密度估计 | 第49-51页 |
| 3.4.2 离群点检测算法 | 第51-52页 |
| 3.4.3 实验结果与对比分析 | 第52-55页 |
| 3.5 本章小结 | 第55-56页 |
| 4 基于邻域密度划分的聚类算法 | 第56-76页 |
| 4.1 引言 | 第56页 |
| 4.2 聚类算法流程 | 第56-59页 |
| 4.2.1 数据集密度划分 | 第57-58页 |
| 4.2.2 核心点初始化聚类 | 第58页 |
| 4.2.3 非核心点排序 | 第58页 |
| 4.2.4 非核心点划分聚类 | 第58-59页 |
| 4.3 基于邻域密度划分的聚类算法 | 第59-63页 |
| 4.3.1 逆k最近邻密度估计 | 第59-60页 |
| 4.3.2 最小生成树初始聚类 | 第60-61页 |
| 4.3.3 邻域密度与紧密度排序 | 第61-62页 |
| 4.3.4 最近邻分类 | 第62-63页 |
| 4.4 实验结果及对比分析 | 第63-74页 |
| 4.4.1 邻域密度估计验证 | 第63-65页 |
| 4.4.2 邻域参数k的影响 | 第65-67页 |
| 4.4.3 模拟数据集聚类结果 | 第67-70页 |
| 4.4.4 真实数据集聚类结果 | 第70-74页 |
| 4.5 本章小结 | 第74-76页 |
| 5 基于邻域重要性的启发聚类算法 | 第76-106页 |
| 5.1 引言 | 第76-77页 |
| 5.2 邻域重要性排序 | 第77-80页 |
| 5.2.1 随机游走模型 | 第77-78页 |
| 5.2.2 邻域重要性排序算法 | 第78-80页 |
| 5.3 基于邻域重要性的启发聚类算法 | 第80-88页 |
| 5.3.1 启发规则 | 第80-83页 |
| 5.3.2 聚类数目决策图 | 第83-86页 |
| 5.3.3 启发聚类算法 | 第86-88页 |
| 5.4 实验结果与对比分析 | 第88-105页 |
| 5.4.1 实验设置 | 第88-89页 |
| 5.4.2 确定最佳聚类数目 | 第89-93页 |
| 5.4.3 模拟数据集聚类结果 | 第93-100页 |
| 5.4.4 真实数据集聚类结果 | 第100-102页 |
| 5.4.5 聚类算法性能 | 第102-105页 |
| 5.5 本章小结 | 第105-106页 |
| 6 总结与展望 | 第106-108页 |
| 6.1 本文总结 | 第106-107页 |
| 6.2 研究展望 | 第107-108页 |
| 致谢 | 第108-110页 |
| 参考文献 | 第110-120页 |
| 附录 | 第120页 |
| A. 作者在攻读博士学位期间发表的论文目录 | 第120页 |
| B. 作者在攻读博士学位期间参加的科研项目 | 第120页 |
