| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 数据挖掘的背景与意义 | 第11-12页 |
| 1.2 数据挖掘的发展及国内外现状 | 第12-15页 |
| 1.3 数据挖掘的步骤 | 第15-16页 |
| 1.4 数据挖掘的任务 | 第16-18页 |
| 1.4.1 聚类分析 | 第16-17页 |
| 1.4.2 预测建模 | 第17页 |
| 1.4.3 关联分析 | 第17页 |
| 1.4.4 异常检测 | 第17-18页 |
| 1.4.5 时序模式分析 | 第18页 |
| 1.5 数据挖掘的主要技术 | 第18-19页 |
| 1.5.1 统计学 | 第18页 |
| 1.5.2 机器学习 | 第18页 |
| 1.5.3 数据库系统和数据仓库 | 第18页 |
| 1.5.4 机器学习信息检索 | 第18-19页 |
| 1.6 论文内容和组织结构 | 第19-20页 |
| 1.7 本章小结 | 第20-21页 |
| 第2章 聚类 | 第21-30页 |
| 2.1 聚类概述 | 第21页 |
| 2.2 聚类的定义及基本数学模型 | 第21-22页 |
| 2.3 主要基础聚类算法 | 第22-25页 |
| 2.3.1 基于划分的方法 | 第22页 |
| 2.3.2 基于层次的方法 | 第22-23页 |
| 2.3.3 基于密度的方法 | 第23-24页 |
| 2.3.4 基于网格的方法 | 第24-25页 |
| 2.4 混合属性聚类 | 第25-29页 |
| 2.4.1 概述 | 第25页 |
| 2.4.2 混合属性聚类分析中的数据类型 | 第25-26页 |
| 2.4.3 数据相似性比较 | 第26-28页 |
| 2.4.4 混合属性的聚类要求 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于相对密度和熵的混合属性聚类融合算法研究 | 第30-47页 |
| 3.1 聚类融合相关研究 | 第30-32页 |
| 3.1.1 聚类融合概述 | 第30-31页 |
| 3.1.2 聚类融合研究现状 | 第31-32页 |
| 3.2 算法框架 | 第32-33页 |
| 3.3 基于相对密度的快速FastRDBClustering算法 | 第33-36页 |
| 3.3.1 相对密度有关概念 | 第33-35页 |
| 3.3.2 FastRDBClustering算法描述 | 第35-36页 |
| 3.4 基于Distance-熵的分类属性ECCD算法 | 第36-38页 |
| 3.4.1 熵的有关概念 | 第36-38页 |
| 3.4.2 ECCD算法描述 | 第38页 |
| 3.5 基于交集的ICEMD最终融合算法 | 第38-43页 |
| 3.6 算法性能分析及仿真实验 | 第43-46页 |
| 3.6.1 算法性能分析 | 第43页 |
| 3.6.2 仿真实验结果分析 | 第43-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第4章 基于距离和信息熵的混合属性数据流聚类算法研究 | 第47-61页 |
| 4.1 数据流相关研究 | 第47-48页 |
| 4.1.1 数据流概述 | 第47页 |
| 4.1.2 数据流聚类研究现状 | 第47-48页 |
| 4.2 数据流处理技术 | 第48-50页 |
| 4.2.1 基于数据的技术 | 第48-49页 |
| 4.2.2 基于任务的技术 | 第49-50页 |
| 4.3 经典CluS-eam数据流聚类算法框架 | 第50-51页 |
| 4.4 ADE-stream算法 | 第51-56页 |
| 4.4.1 微簇数据结构MS | 第52-54页 |
| 4.4.2 在线微聚类过程 | 第54-56页 |
| 4.4.3 离线宏聚类过程 | 第56页 |
| 4.5 算法性能分析及仿真实验 | 第56-60页 |
| 4.5.1 算法性能分析 | 第56-57页 |
| 4.5.2 仿真实验结果分析 | 第57-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第5章 总结和展望 | 第61-63页 |
| 5.1 本文主要成果及总结 | 第61-62页 |
| 5.2 课题研究展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间参加的科研项目和成果 | 第68页 |
