聚类算法的研究与改进
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景与选题意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要内容与组织架构 | 第12-15页 |
| 1.3.1 本文主要内容 | 第12-13页 |
| 1.3.2 本文组织结构 | 第13-15页 |
| 第二章 聚类分析概述 | 第15-21页 |
| 2.1 聚类分析的基本概念 | 第15页 |
| 2.2 聚类方法分类 | 第15-17页 |
| 2.2.1 基于划分的聚类算法 | 第15页 |
| 2.2.2 基于层次的聚类算法 | 第15-16页 |
| 2.2.3 基于密度的聚类算法 | 第16页 |
| 2.2.4 基于网格的聚类算法 | 第16-17页 |
| 2.2.5 基于模型的聚类算法 | 第17页 |
| 2.2.6 模糊聚类算法 | 第17页 |
| 2.3 聚类分析中的相似性度量 | 第17-19页 |
| 2.3.1 距离函数 | 第17-18页 |
| 2.3.2 相似性系数 | 第18-19页 |
| 2.4 聚类分析中的准则函数 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 DPC算法研究 | 第21-36页 |
| 3.1 DPC算法 | 第21-28页 |
| 3.1.1 DPC算法原理 | 第21-24页 |
| 3.1.2 DPC算法性能 | 第24-25页 |
| 3.1.3 DPC算法优缺点 | 第25-28页 |
| 3.2 DPC算法半径的改进 | 第28-31页 |
| 3.3 DPC算法噪声过滤的改进 | 第31-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于DPC的融合算法 | 第36-58页 |
| 4.1 DP-Kmeans算法 | 第36-41页 |
| 4.1.1 K-means算法 | 第36-38页 |
| 4.1.2 DP-Kmeans算法 | 第38-41页 |
| 4.2 DP-DBSCAN算法 | 第41-47页 |
| 4.2.1 DBSCAN算法 | 第41-44页 |
| 4.2.2 DP-DBSCAN算法 | 第44-47页 |
| 4.3 实验结果与分析 | 第47-57页 |
| 4.3.1 实验设计说明 | 第47页 |
| 4.3.2 人工数据集 | 第47-54页 |
| 4.3.3 UCI数据集 | 第54-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 本文主要工作总结 | 第58页 |
| 5.2 需要进一步研究的工作 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |
