| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 引言 | 第11-13页 |
| 第一章 绪论 | 第13-26页 |
| ·数据挖掘技术 | 第13-16页 |
| ·数据挖掘的概念 | 第13-14页 |
| ·数据挖掘的分类 | 第14-16页 |
| ·聚类算法 | 第16-23页 |
| ·聚类的概念 | 第16-17页 |
| ·聚类算法的分类 | 第17-23页 |
| ·论文结构和创新点 | 第23-26页 |
| 第二章 支持向量机及其聚类算法 | 第26-38页 |
| ·统计学习理论 | 第27-31页 |
| ·VC维 | 第27-28页 |
| ·学习过程一致性概念和关键定理 | 第28页 |
| ·结构风险最小化原则 | 第28-31页 |
| ·支持向量机 | 第31-32页 |
| ·基于支持向量机的聚类算法 | 第32-38页 |
| ·支持向量机的聚类算法的基本思想 | 第33页 |
| ·聚类的数学描述 | 第33-35页 |
| ·特征空间类簇的标识 | 第35-36页 |
| ·聚类核函数的选取 | 第36页 |
| ·支持向量机聚类算法的分析 | 第36-38页 |
| 第三章 基于平滑技术聚类支持向量点的计算方法 | 第38-48页 |
| ·支持向量机的求解算法综述 | 第39-42页 |
| ·块算法 | 第39页 |
| ·分解算法 | 第39-40页 |
| ·序贯最小优化算法 | 第40-41页 |
| ·平滑支持向量机 | 第41-42页 |
| ·基于平滑技术的聚类支持向量点的求解 | 第42-48页 |
| ·加函数和p函数 | 第42-43页 |
| ·平滑技术的聚类支持向量点的求解算法 | 第43-46页 |
| ·优化算法 | 第46-48页 |
| 第四章 基于最小生成树的聚类标识算法 | 第48-56页 |
| ·最小生成树聚类算法 | 第49-53页 |
| ·最小生成树概念 | 第49页 |
| ·特征空间距离度量方法 | 第49-50页 |
| ·基于最小生成树的特征空间数据表示 | 第50-52页 |
| ·最小生成树聚类的定义 | 第52-53页 |
| ·最小生成树生成算法 | 第53页 |
| ·基于最小生成树聚类标识算法 | 第53-56页 |
| 第五章 基于最小生成树的平滑支持向量机聚类算法实验 | 第56-68页 |
| ·算法实验 | 第56-68页 |
| ·实验数据选择 | 第56-57页 |
| ·算法参数实验 | 第57-61页 |
| ·算法比较实验 | 第61-66页 |
| ·与传统支持向量机聚类算法的比较实验 | 第66-68页 |
| 第六章 MST-SSVC聚类算法在农保调查数据中的应用 | 第68-72页 |
| ·需求分析 | 第68页 |
| ·数据的前期处理 | 第68-69页 |
| ·类别描述 | 第69-70页 |
| ·对政策制定的影响 | 第70-72页 |
| 第七章 结论与展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 致谢 | 第76页 |