| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 引言 | 第6-11页 |
| 1.1 聚类分析发展现状 | 第6-7页 |
| 1.2 聚类分析算法存在的问题 | 第7-9页 |
| 1.3 本文的主要研究内容 | 第9页 |
| 1.4 本文的篇章结构 | 第9-11页 |
| 第二章 常见聚类算法评述 | 第11-20页 |
| 2.1 传统聚类方法 | 第11-14页 |
| 2.1.1 主要聚类方法的分类 | 第11页 |
| 2.1.2 层次聚类(HLC) | 第11-13页 |
| 2.1.3 基于密度的聚类(DBSCAN) | 第13-14页 |
| 2.2 双聚类算法 | 第14-20页 |
| 2.2.1 引入双聚类算法的意义 | 第14-15页 |
| 2.2.2 双聚类与单聚类的区别 | 第15页 |
| 2.2.3 Cheng and Church算法 | 第15-18页 |
| 2.2.4 Bimax算法 | 第18-20页 |
| 第三章 基因表达数据分析 | 第20-28页 |
| 3.1 基因表达数据处理 | 第20-22页 |
| 3.1.1 相关概念 | 第20页 |
| 3.1.2 获取数据 | 第20-21页 |
| 3.1.3 数据预处理 | 第21-22页 |
| 3.1.4 聚类 | 第22页 |
| 3.2 聚类分析 | 第22-26页 |
| 3.2.1 相似性度量 | 第23-24页 |
| 3.2.2 聚类结果的可视化 | 第24-26页 |
| 3.2.3 基因表达数据聚类分析的意义 | 第26页 |
| 3.3 基因表达数据聚类分析的研究进展 | 第26-28页 |
| 第四章 K-means算法改进及软件设计 | 第28-44页 |
| 4.1 孤立点 | 第28-32页 |
| 4.1.1 普里姆算法 | 第28-29页 |
| 4.1.2 孤立点的消除 | 第29-32页 |
| 4.2 K-means算法的改进 | 第32-35页 |
| 4.2.1 广度优先搜索 | 第32-33页 |
| 4.2.2 初始聚类中心选取的改进 | 第33-34页 |
| 4.2.3 改进的K-means算法流程 | 第34-35页 |
| 4.3 聚类结果的优化 | 第35-36页 |
| 4.4 软件总体结构 | 第36-38页 |
| 4.5 软件详细设计 | 第38-44页 |
| 4.5.1 BiocasGui类 | 第38-40页 |
| 4.5.2 ArgumentsK-means和Dataset类 | 第40页 |
| 4.5.3 K-means类 | 第40-42页 |
| 4.5.4 ResultOptimization类 | 第42-44页 |
| 第五章 系统测试与运行 | 第44-52页 |
| 5.1 单元测试 | 第44页 |
| 5.2 集成测试 | 第44-45页 |
| 5.3 系统操作流程 | 第45-48页 |
| 5.4 算法优化前后运行比较 | 第48-52页 |
| 第六章 结论 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 致谢 | 第55-56页 |