| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 存在的问题 | 第13-14页 |
| 1.4 本文主要研究内容 | 第14-15页 |
| 1.5 本文的组织结构 | 第15-16页 |
| 第2章 数据挖掘和离群点检测 | 第16-23页 |
| 2.1 数据挖掘 | 第16-19页 |
| 2.1.1 数据挖掘技术 | 第16-17页 |
| 2.1.2 数据挖掘应用 | 第17-18页 |
| 2.1.3 数据挖掘的主要问题 | 第18-19页 |
| 2.2 离群点检测 | 第19-22页 |
| 2.2.1 离群点概念 | 第19-20页 |
| 2.2.2 离群点检测的挑战 | 第20-21页 |
| 2.2.3 离群点检测算法分析 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 基于K核心空间的快速局部离群点检测算法 | 第23-36页 |
| 3.1 问题引入 | 第23-29页 |
| 3.1.1 基于密度的局部离群点检测算法 | 第24-27页 |
| 3.1.2 基于反向k近邻的局部离群点判别方法 | 第27-29页 |
| 3.2 基于K核心空间的快速局部离群点检测 | 第29-35页 |
| 3.2.1 算法思想 | 第29页 |
| 3.2.2 相关定义 | 第29-31页 |
| 3.2.3 数据预处理 | 第31-32页 |
| 3.2.4 算法描述 | 第32-34页 |
| 3.2.5 算法分析 | 第34-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第4章 基于K-medoids聚类的局部最小密度离群点检测算法 | 第36-44页 |
| 4.1 问题引入 | 第36-37页 |
| 4.1.1 K-means聚类算法 | 第36-37页 |
| 4.1.2 K-medoids聚类算法 | 第37页 |
| 4.2 基于K-medoids聚类的局部最小密度离群点检测 | 第37-43页 |
| 4.2.1 算法思想 | 第37-38页 |
| 4.2.2 相关定义 | 第38-39页 |
| 4.2.3 数据预处理 | 第39-41页 |
| 4.2.4 算法描述 | 第41-42页 |
| 4.2.5 算法分析 | 第42-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第5章 实验结果与性能分析 | 第44-53页 |
| 5.1 实验环境 | 第44-46页 |
| 5.1.1 实验环境 | 第44页 |
| 5.1.2 实验数据 | 第44-46页 |
| 5.1.3 检验指标 | 第46页 |
| 5.2 FLOD-KKS的实验分析 | 第46-50页 |
| 5.3 ODK_medoids的实验分析 | 第50-52页 |
| 5.4 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第59-60页 |
| 致谢 | 第60页 |