| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 引言 | 第8-14页 |
| ·研究背景 | 第8-11页 |
| ·数据挖掘概述 | 第8页 |
| ·数据挖掘的任务 | 第8-9页 |
| ·数据挖掘的方法 | 第9-10页 |
| ·聚类分析 | 第10-11页 |
| ·流聚类的研究现状 | 第11-12页 |
| ·本文的主要工作 | 第12页 |
| ·论文基本结构 | 第12-14页 |
| 第二章 聚类分析 | 第14-22页 |
| ·聚类分析概述 | 第14-18页 |
| ·聚类的定义 | 第14页 |
| ·相似性度量（求相异度方法） | 第14-17页 |
| ·对聚类分析算法的典型要求 | 第17-18页 |
| ·传统的聚类方法及算法综述 | 第18-21页 |
| ·划分方法（Partition methods） | 第18-19页 |
| ·层次方法（Hierarchical Method） | 第19页 |
| ·基于密度的方法（Density-based Method） | 第19-20页 |
| ·基于网格的方法（Grid-based Method） | 第20页 |
| ·基于模型的方法（Model-based Method） | 第20-21页 |
| ·本章小节 | 第21-22页 |
| 第三章 数据流聚类 | 第22-26页 |
| ·数据流模型 | 第22页 |
| ·数据流挖掘与传统数据挖掘的不同 | 第22-23页 |
| ·数据流聚类方法及算法综述 | 第23-25页 |
| ·STREAM：基于k 中位数的流聚类算法 | 第23-24页 |
| ·CluStream：聚类演变的数据流 | 第24-25页 |
| ·本章小节 | 第25-26页 |
| 第四章 基于概率密度的数据流聚类算法 | 第26-45页 |
| ·EM 算法和高斯混合模型 | 第26-27页 |
| ·基于概率密度的数据流聚类算法 | 第27-33页 |
| ·在线的pdmicro-cluster 过程 | 第27-32页 |
| ·离线的pdmacro-cluster 过程 | 第32-33页 |
| ·仿真实验 | 第33-39页 |
| ·算法PDCluStream 的扩展性实验 | 第33-35页 |
| ·处理有噪声数据集的实验 | 第35-39页 |
| ·PDCluStream 算法的应用 | 第39-44页 |
| ·实验环境和数据集 | 第39页 |
| ·聚类质量比较 | 第39-42页 |
| ·聚类处理时间 | 第42-44页 |
| ·GC 率影响 | 第44页 |
| ·本章小节 | 第44-45页 |
| 第五章 应用摘要层次的数据流聚类算法 | 第45-54页 |
| ·SHCLU 算法聚类框架 | 第45页 |
| ·SHCLU 算法的在线保持阶段 | 第45-49页 |
| ·基于小波的拟合模型 | 第46-47页 |
| ·基于回归的拟合模型 | 第47-49页 |
| ·离线的聚类阶段 | 第49-50页 |
| ·对全部历史数据的分析 | 第49-50页 |
| ·时间窗口分析 | 第50页 |
| ·实验结果分析 | 第50-53页 |
| ·聚类质量分析 | 第50-51页 |
| ·对聚类中心准确识别命中率 | 第51-52页 |
| ·算法随数据维数增大的准确性实验 | 第52-53页 |
| ·本章小节 | 第53-54页 |
| 第六章 总结与展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间发表的论文 | 第59页 |
