| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 引言 | 第7-11页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.3 本文的贡献 | 第9页 |
| 1.4 本文的组织结构 | 第9-11页 |
| 第2章 度数法求解最大团 | 第11-19页 |
| 2.1 相关定义及性质 | 第11页 |
| 2.2 最大团算法 | 第11-14页 |
| 2.2.1 算法基本思想 | 第11页 |
| 2.2.2 算法描述 | 第11-13页 |
| 2.2.3 算法示例 | 第13-14页 |
| 2.3 优化和剪枝 | 第14-15页 |
| 2.3.1 如果子图为团,则将子图所有顶点加入极大团序列 | 第14页 |
| 2.3.2 合并邻接点集相同的顶点 | 第14-15页 |
| 2.3.3 剪枝对不可能形成最大团的顶点 | 第15页 |
| 2.4 算法分析 | 第15-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第3章 空间极大co-location模式挖掘 | 第19-35页 |
| 3.1 相关定义及性质 | 第19-20页 |
| 3.2 空间极大co-location模式挖掘算法 | 第20-28页 |
| 3.2.1 算法：生成二阶频繁模式图 | 第21-22页 |
| 3.2.2 算法：生成空间特征极大团 | 第22-25页 |
| 3.2.3 算法：生成空间极大co-location频繁模式 | 第25-28页 |
| 3.3 算法的改进和剪枝 | 第28-29页 |
| 3.3.1 先验证公共子模式,再验证并列特征 | 第28页 |
| 3.3.2 验证过程中确认非频繁模式 | 第28-29页 |
| 3.4 实验分析 | 第29-33页 |
| 3.4.1 距离闽值d对算法的影响 | 第29-30页 |
| 3.4.2 参与度阈值min_prev对算法的影响 | 第30-31页 |
| 3.4.3 实例个数对算法的影响 | 第31-32页 |
| 3.4.4 剪枝策略对算法的影响 | 第32-33页 |
| 3.5 本章小结 | 第33-35页 |
| 第4章 基于云理论的空间极大co-location模式挖掘 | 第35-49页 |
| 4.1 引例 | 第35-36页 |
| 4.2 云理论 | 第36-40页 |
| 4.2.1 自然语言的不确定性及云的特性 | 第36页 |
| 4.2.2 云的定义 | 第36-37页 |
| 4.2.3 云的数字特征 | 第37-38页 |
| 4.2.4 正向云发生器和逆向云发生器 | 第38-40页 |
| 4.3 空间邻近关系R’ | 第40页 |
| 4.4 相关定义及性质 | 第40-42页 |
| 4.5 基于云理论的空间极大co-location模式挖掘算法 | 第42-45页 |
| 4.5.1 算法：空间邻近关系R’ | 第42-43页 |
| 4.5.2 算法：计算污染等级及确定度 | 第43-44页 |
| 4.5.3 算法：基于云理论的空间极大co-location模式挖掘 | 第44-45页 |
| 4.6 实验分析 | 第45-48页 |
| 4.6.1 实验环境和实验数据 | 第45页 |
| 4.6.2 新的距离阈值d’对算法的影响 | 第45-46页 |
| 4.6.3 云理论处理不确定数据的优势 | 第46-48页 |
| 4.7 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 论文总结 | 第49页 |
| 5.2 未来的研究方向 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 研究生期间发表的论文 | 第55-57页 |
| 致谢 | 第57页 |
