K-means算法的改进研究与应用
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 引言 | 第10-14页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 分布式计算研究现状 | 第11-12页 |
| 1.2.2 K-means算法的研究现状 | 第12页 |
| 1.3 论文研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 2 相关聚类算法研究 | 第14-24页 |
| 2.1 数据类型及相异度度量 | 第14-17页 |
| 2.1.1 数值型数据及相异度度量 | 第14-15页 |
| 2.1.2 分类型数据及相异度度量 | 第15-16页 |
| 2.1.3 相关系数的相似性度量 | 第16-17页 |
| 2.2 聚类分析方法介绍 | 第17-20页 |
| 2.2.1 基于划分的聚类方法 | 第17-18页 |
| 2.2.2 基于层次的聚类方法 | 第18页 |
| 2.2.3 基于密度的聚类方法 | 第18-19页 |
| 2.2.4 其他的聚类方法 | 第19-20页 |
| 2.3 层次聚类算法原理 | 第20页 |
| 2.4 K-means算法 | 第20-23页 |
| 2.4.1 K-means算法原理 | 第20-23页 |
| 2.4.2 传统K-means算法局限性分析 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 分布式归并HK-means算法 | 第24-37页 |
| 3.1 传统HK-means算法局限性分析 | 第24-25页 |
| 3.2 归并HK-means算法原理 | 第25-27页 |
| 3.2.1 数据标准化 | 第25页 |
| 3.2.2 传统凝聚聚类算法 | 第25-26页 |
| 3.2.3 MHK算法定义 | 第26-27页 |
| 3.3 分布式数据处理系统 | 第27-30页 |
| 3.3.1 DDSMS与 DBMS的区别 | 第27-28页 |
| 3.3.2 分布式系统的存储与运算 | 第28-30页 |
| 3.4 分布式MHK算法实现 | 第30-33页 |
| 3.4.1 map功能设计 | 第30-31页 |
| 3.4.2 组合功能设计 | 第31-33页 |
| 3.5 实验结果 | 第33-36页 |
| 3.5.1 实验数据集 | 第33页 |
| 3.5.2 实验对比 | 第33-36页 |
| 3.6 本章小结 | 第36-37页 |
| 4 基于加权特征集成的K-means算法 | 第37-45页 |
| 4.1 相关工作 | 第37-38页 |
| 4.2 WFE:加权特征集合法 | 第38-41页 |
| 4.3 基于WFE预测酵母蛋白定位的聚类算法 | 第41页 |
| 4.4 实验 | 第41-44页 |
| 4.4.1 实验数据集分析 | 第41-42页 |
| 4.4.2 对比实验 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 5 总结与展望 | 第45-47页 |
| 5.1 总结 | 第45-46页 |
| 5.2 展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第50-52页 |
| 学位论文数据集 | 第52页 |
