| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 本课题的研究背景 | 第10-11页 |
| 1.2 聚类分析的应用及现状 | 第11-12页 |
| 1.3 论文的主要内容及其安排 | 第12-14页 |
| 第二章 聚类分析的基本理论 | 第14-25页 |
| 2.1 聚类的相关定义 | 第14-15页 |
| 2.2 近邻测度 | 第15-17页 |
| 2.2.1 点与点之间的近邻测度 | 第15-16页 |
| 2.2.2 点与集合之间的近邻函数 | 第16-17页 |
| 2.3 聚类算法的简要分类 | 第17-19页 |
| 2.3.1 划分聚类算法 | 第17-18页 |
| 2.3.2 层次聚类算法 | 第18页 |
| 2.3.3 基于代价函数最优的聚类算法 | 第18页 |
| 2.3.4 其他聚类算法 | 第18-19页 |
| 2.4 常见的几个聚类算法 | 第19-22页 |
| 2.4.1 K-means算法 | 第19-20页 |
| 2.4.2 Murat's方法 | 第20页 |
| 2.4.3 K-means++算法 | 第20-21页 |
| 2.4.4 CURE算法 | 第21-22页 |
| 2.4.5 Mean Shift算法 | 第22页 |
| 2.5 聚类有效性 | 第22-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 一种基于正态分布模型的聚类算法 | 第25-39页 |
| 3.1 K-means算法的缺陷 | 第25页 |
| 3.2 对初始聚类中心选择的改进 | 第25-28页 |
| 3.2.1 算法的描述 | 第25-27页 |
| 3.2.2 算法的演示 | 第27-28页 |
| 3.3 对k-means迭代过程的改进 | 第28-32页 |
| 3.3.1 K-normal方法的概率模型 | 第28-30页 |
| 3.3.2 K-normal方法 | 第30页 |
| 3.3.3 K-normal方法聚类过程的演示 | 第30-31页 |
| 3.3.4 对k-normal方法的收敛过程的改进 | 第31-32页 |
| 3.4 实验 | 第32-38页 |
| 3.4.1 实验平台 | 第32页 |
| 3.4.2 对比算法性能所用的评价标准 | 第32页 |
| 3.4.3 方法对比 | 第32-33页 |
| 3.4.4 针对初始中心点的选择方式的实验数据及其结果分析 | 第33-35页 |
| 3.4.5 针对k-normal的实验数据及其结果分析 | 第35-37页 |
| 3.4.6 结论 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 针对高维数据的KNS | 第39-51页 |
| 4.1 高维聚类的应用领域 | 第39-40页 |
| 4.2 高维聚类的相关工作 | 第40-43页 |
| 4.2.1 减少维度 | 第40-41页 |
| 4.2.2 子空间聚类 | 第41-42页 |
| 4.2.3 特征选择的缺陷 | 第42-43页 |
| 4.3 常见的高维度聚类方法 | 第43-47页 |
| 4.3.1 CLIQUE算法 | 第43-44页 |
| 4.3.2 PROCLUS算法 | 第44-47页 |
| 4.4 KNS聚类方法 | 第47页 |
| 4.5 实验 | 第47-50页 |
| 4.5.1 实验平台及数据 | 第47-48页 |
| 4.5.2 仿真结果及分析 | 第48-49页 |
| 4.5.3 结论 | 第49-50页 |
| 4.6 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-52页 |
| 5.1 主要结论 | 第51页 |
| 5.2 研究展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 在学期间的研究成果 | 第55-56页 |
| 致谢 | 第56页 |
