| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-8页 |
| 第一章 绪论 | 第8-15页 |
| 1．1 数据挖掘（DM）概述 | 第8-11页 |
| 1．2 数据挖掘功能 | 第11-13页 |
| 1．3 数据挖掘技术的发展及研究方向 | 第13-14页 |
| 1．4 本论文主要研究内容和成果 | 第14页 |
| 1．5 论文的组织 | 第14-15页 |
| 第二章 基于统计理论的聚类分析理论和方法 | 第15-37页 |
| 2．1 聚类分析概述 | 第15-18页 |
| 2．2 划分方法 | 第18-22页 |
| 2．2．1 基于质心的技术：k-平均方法 | 第18-20页 |
| 2．2．2 基于有代表性的对象的技术：k-中心点方法 | 第20-21页 |
| 2．2．3 大型数据库中的划分方法：从k-中心点到CLARANS | 第21-22页 |
| 2．3 层次方法 | 第22-27页 |
| 2．3．1 凝聚的和分裂的层次聚类 | 第22-23页 |
| 2．3．2 BIRCH：利用层次方法的平衡迭代归约和聚类 | 第23-25页 |
| 2．3．3 CURE：利用代表点聚类 | 第25-26页 |
| 2．3．4 Chameleon：利用动态模型的层次聚类算法 | 第26-27页 |
| 2．4 基于密度的方法 | 第27-29页 |
| 2．4．1 DBSCAN：一个基于高密度连接区域的密度聚类方法 | 第27-28页 |
| 2．4．2 OPTICS：通过对象排序识别聚类结构 | 第28页 |
| 2．4．3 DENCLUE：基于密度分布函数的聚类 | 第28-29页 |
| 2．5 基于网格的方法 | 第29-31页 |
| 2．5．1 STING：统计信息网格 | 第30-31页 |
| 2．6 基于模型的聚类方法 | 第31-32页 |
| 2．6．1 统计学方法 | 第31-32页 |
| 2．7 孤立点分析方法 | 第32-37页 |
| 2．7．1 基于统计的孤立点检测 | 第33-34页 |
| 2．7．2 基于距离的孤立点检测 | 第34-35页 |
| 2．7．3 基于偏离的孤立点检测 | 第35-37页 |
| 第三章 模糊聚类分析 | 第37-52页 |
| 3．1 模糊聚类分析的基本知识 | 第37-42页 |
| 3．2 模糊ISODATA聚类技术 | 第42-49页 |
| 3．2．1 普通的ISODATA聚类方法 | 第42-43页 |
| 3．2．2 模糊ISODATA聚类理论分析 | 第43-46页 |
| 3．2．3 模糊ISODATA聚类方法的实现 | 第46-47页 |
| 3．2．4 加权指数m对聚类性能的影响 | 第47-49页 |
| 3．3 聚类分析的模糊模式预测 | 第49-52页 |
| 3．3．1 聚类的模糊模式 | 第49-52页 |
| 第四章 自组织特征映射神经网络模型 | 第52-58页 |
| 4．1 Kohonen网络（自组织特征映射神经网络） | 第52-58页 |
| 4．1．1 自组织特征映射神经网络的结构 | 第52-53页 |
| 4．1．2 自组织特征映射神经网络的学习及工作规则 | 第53-58页 |
| 第五章 基于模糊Kohonen网络技术的数据挖掘聚类分析方法 | 第58-79页 |
| 5．1 模糊Kohonen网络（FKN） | 第58-61页 |
| 5．1．1 模糊Kohonen网络的训练算法 | 第58-59页 |
| 5．1．2 模糊Kohonen网络的应用实例 | 第59-61页 |
| 5．2 改进的模糊Kohonen网络（IFKN） | 第61-64页 |
| 5．2．1 根据硬分类思想修改U_（ik）计算式 | 第61-62页 |
| 5．2．2 隶属函数U_（ik）计算公式的改进 | 第62-64页 |
| 5．3 DataEngine软件介绍 | 第64-66页 |
| 5．3．1 DataEngine系列工具技术描述 | 第64-66页 |
| 5．4 聚类分析在控制中的应用 | 第66-79页 |
| 5．4．1 回转窑控制系统概述 | 第69-75页 |
| 5．4．2 热工参数变化趋势的识别 | 第75-79页 |
| 结束语 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-84页 |
| 附录A （攻读学位期间发表论文目录） | 第84-85页 |
| 附录B （IFKN仿真程序） | 第85-87页 |
