| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 论文研究的背景及意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.2.1 国外研究现状 | 第7-8页 |
| 1.2.2 国内研究现状 | 第8-9页 |
| 1.3 论文研究的主要内容 | 第9-10页 |
| 1.4 论文结构 | 第10-11页 |
| 1.5 论文创新点 | 第11-12页 |
| 第二章 论文研究的总体思路及相关知识 | 第12-21页 |
| 2.1 论文研究的总体思路 | 第12页 |
| 2.2 拟解决的关键问题 | 第12-13页 |
| 2.3 相关知识 | 第13-21页 |
| 2.3.1 空间对象及空间索引概述 | 第13-18页 |
| 2.3.2 近邻算法 | 第18-19页 |
| 2.3.3 信息熵理论 | 第19页 |
| 2.3.4 k-均值聚类算法 | 第19-21页 |
| 第三章 基于近邻模型的属性权值聚类算法 | 第21-28页 |
| 3.1 引言 | 第21页 |
| 3.2 相关定义 | 第21-23页 |
| 3.3 基于近邻模型的属性权值聚类算法 | 第23-26页 |
| 3.3.1 初始中心点的选取 | 第23-24页 |
| 3.3.2 算法的描述 | 第24-25页 |
| 3.3.3 算法的实现步骤 | 第25-26页 |
| 3.4 实验的结果 | 第26-27页 |
| 3.5 小结 | 第27-28页 |
| 第四章 基于近邻模型动态确定k值的属性加权k-均值算法 | 第28-36页 |
| 4.1 引言 | 第28页 |
| 4.2 动态确定k值的k-均值算法 | 第28-32页 |
| 4.2.1 k值的动态确定 | 第28-29页 |
| 4.2.2 对噪声数据的处理 | 第29-30页 |
| 4.2.3 算法的描述 | 第30页 |
| 4.2.4 算法的实现步骤 | 第30-32页 |
| 4.3 实验的结果 | 第32-35页 |
| 4.4 小结 | 第35-36页 |
| 第五章 基于动态确定k值的k-均值算法的R-树构建 | 第36-50页 |
| 5.1 引言 | 第36页 |
| 5.2 R树的构建 | 第36-44页 |
| 5.2.1 相关定义 | 第36-37页 |
| 5.2.2 聚类个数的确定 | 第37-39页 |
| 5.2.3 聚类初始中心点的确定 | 第39页 |
| 5.2.4 聚类中空间数据的分配 | 第39-41页 |
| 5.2.5 算法的描述与实现步骤 | 第41-44页 |
| 5.3 实验的结果 | 第44-49页 |
| 5.3.1 参数λ值的选取 | 第44-45页 |
| 5.3.2 中心点选取对比实验 | 第45-46页 |
| 5.3.3 算法对比实验 | 第46-49页 |
| 5.4 小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 插图索引 | 第54-55页 |
| 表格索引 | 第55-56页 |
| 附录 | 第56-62页 |
| 作者简历及在学期间所取得的科研成果 | 第62-63页 |
| 致谢 | 第63页 |