| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 数据挖掘技术 | 第12-17页 |
| 1.2.1 数据挖掘研究背景 | 第12页 |
| 1.2.2 数据挖掘研究现状 | 第12-14页 |
| 1.2.3 数据挖掘方法及应用 | 第14-15页 |
| 1.2.4 聚类算法国内外研究现状 | 第15-16页 |
| 1.2.5 聚类算法面临的挑战 | 第16-17页 |
| 1.3 本文的主要工作 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-20页 |
| 第二章 聚类算法 | 第20-29页 |
| 2.1 聚类算法概述 | 第20-24页 |
| 2.1.1 基本概念描述 | 第20页 |
| 2.1.2 数据挖掘中的聚类分析方法 | 第20-24页 |
| 2.2 聚类算法性能比较 | 第24页 |
| 2.3 划分聚类算法 | 第24-28页 |
| 2.3.1 K-means聚类算法 | 第24-26页 |
| 2.3.2 K-medoids聚类算法 | 第26-28页 |
| 2.3.3 快速K-medoids聚类算法 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于粒计算的数据规约 | 第29-36页 |
| 3.1 数据规约问题的提出 | 第29页 |
| 3.2 数据规约算法 | 第29-33页 |
| 3.2.1 粒计算相关概念 | 第29-31页 |
| 3.2.2 数据规约算法描述 | 第31-32页 |
| 3.2.3 数据规约实现步骤 | 第32-33页 |
| 3.3 算法仿真与实验结果分析 | 第33-35页 |
| 3.3.1 数据规约算法仿真 | 第33页 |
| 3.3.2 实验结果分析 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于宽度优先搜索的K-medoids聚类算法 | 第36-44页 |
| 4.1 搜索策略的提出 | 第36页 |
| 4.2 宽度优先搜索策略 | 第36-38页 |
| 4.2.1 宽度优先搜索策略的理论依据 | 第36-37页 |
| 4.2.2 宽度优先搜索策略核心思想 | 第37-38页 |
| 4.3 准则函数优化 | 第38-39页 |
| 4.3.1 簇内距离 | 第38页 |
| 4.3.2 簇间距离 | 第38页 |
| 4.3.3 改进准则函数 | 第38-39页 |
| 4.4 改进算法实现步骤 | 第39页 |
| 4.5 算法仿真与实验结果分析 | 第39-43页 |
| 4.5.1 算法仿真 | 第39-40页 |
| 4.5.2 实验结果分析 | 第40-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第五章 结论与展望 | 第44-46页 |
| 5.1 结论 | 第44页 |
| 5.2 展望 | 第44-46页 |
| 参考文献 | 第46-51页 |
| 致谢 | 第51-52页 |
| 附录（攻读硕士学位期间发表论文） | 第52页 |