| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-15页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 1.4 论文的组织框架 | 第14-15页 |
| 第二章 聚类分析概述 | 第15-22页 |
| 2.1 聚类的相关概念及定义 | 第15-16页 |
| 2.2 聚类过程 | 第16-17页 |
| 2.3 距离度量 | 第17-19页 |
| 2.3.1 对象间距离 | 第17-18页 |
| 2.3.2 簇间距离 | 第18-19页 |
| 2.4 聚类评价指标 | 第19-21页 |
| 2.4.1 外部评价指标 | 第20-21页 |
| 2.4.2 内部评价指标 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 kNNSCAN算法原理与实现 | 第22-31页 |
| 3.1 算法基础 | 第22-24页 |
| 3.1.1 DBSCAN聚类算法 | 第22-23页 |
| 3.1.2 kNN分类思想 | 第23-24页 |
| 3.2 kNNSCAN聚类算法 | 第24-25页 |
| 3.2.1 计算密度的方法 | 第24-25页 |
| 3.2.2 k-近邻的计算方法 | 第25页 |
| 3.3 kNNSCAN算法描述与分析 | 第25-27页 |
| 3.4 M-kNNSCAN算法描述与分析 | 第27-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 PR-kNNSCAN算法的原理与实现 | 第31-39页 |
| 4.1 Page Rank算法介绍 | 第31-33页 |
| 4.1.1 Page Rank算法原理 | 第31-32页 |
| 4.1.2 Page Rank幂方法计算 | 第32-33页 |
| 4.2 Page Rank算法计算密度的可行性 | 第33-35页 |
| 4.3 PR-kNNSCAN算法描述与实现 | 第35-38页 |
| 4.3.1 PR-kNNSCAN算法描述 | 第35页 |
| 4.3.2 PR-kNNSCAN算法实现 | 第35-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第五章 实验结果与分析 | 第39-59页 |
| 5.1 实验数据集介绍 | 第39页 |
| 5.2 实验环境及工具 | 第39-40页 |
| 5.2.1 实验环境 | 第39-40页 |
| 5.2.2 算法实现 | 第40页 |
| 5.3 对比算法的选择及参数确定 | 第40-49页 |
| 5.3.1 K-means算法实验结果 | 第40-41页 |
| 5.3.2 DBSCAN算法实验结果 | 第41-44页 |
| 5.3.3 SC算法实验结果 | 第44-46页 |
| 5.3.4 HC算法实验结果 | 第46-47页 |
| 5.3.5 K-Medoids算法实验结果 | 第47-48页 |
| 5.3.6 CFS算法实验结果 | 第48-49页 |
| 5.4 M-kNNSCAN算法和PR-kNNSCAN算法实验结果 | 第49-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 在学期间的研究成果 | 第64-65页 |
| 致谢 | 第65页 |