| 摘要 | 第8-10页 |
| Abstract | 第10-11页 |
| 1 引言 | 第12-20页 |
| 1.1 研究背景 | 第12-14页 |
| 1.1.1 数据挖掘 | 第12-13页 |
| 1.1.2 聚类分析 | 第13-14页 |
| 1.2 课题研究目的与意义 | 第14页 |
| 1.3 相似性度量方法的国内外研究现状 | 第14-17页 |
| 1.3.1 欧几里得距离的国内外研究现状 | 第15页 |
| 1.3.2 马氏距离的国内外研究现状 | 第15-16页 |
| 1.3.3 汉明距离的国内外研究现状 | 第16页 |
| 1.3.4 余弦距离的国内外研究现状 | 第16-17页 |
| 1.3.5 相似系数的国内外研究现状 | 第17页 |
| 1.4 研究技术路线 | 第17-18页 |
| 1.5 研究的主要内容 | 第18-20页 |
| 2 聚类算法概述 | 第20-31页 |
| 2.1 聚类的概念 | 第20页 |
| 2.2 主要聚类方法 | 第20-22页 |
| 2.2.1 基于划分的聚类算法 | 第20-21页 |
| 2.2.2 基于层次的聚类算法 | 第21页 |
| 2.2.3 基于密度的聚类算法 | 第21页 |
| 2.2.4 基于网格的聚类算法 | 第21-22页 |
| 2.2.5 基于模型的聚类算法 | 第22页 |
| 2.2.6 模糊聚类算法 | 第22页 |
| 2.3 聚类方法中常用的相似性度量 | 第22-25页 |
| 2.3.1 基于距离的相似性度量 | 第23-24页 |
| 2.3.2 基于相似性系数的相似性度量 | 第24-25页 |
| 2.4 聚类方法中常用的准则函数 | 第25-29页 |
| 2.4.1 内部度量 | 第26页 |
| 2.4.2 外部度量 | 第26-29页 |
| 2.5 评价方法 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 3 传统K-means聚类及其改进算法 | 第31-49页 |
| 3.1 传统K-means聚类算法 | 第31-35页 |
| 3.1.1 传统K-means聚类算法概述 | 第31-32页 |
| 3.1.2 算法中的定义 | 第32页 |
| 3.1.3 K-means聚类算法的缺点 | 第32-34页 |
| 3.1.4 K-means聚类算法中相似性度量的改进 | 第34-35页 |
| 3.2 基于I-divergence测度的K-means聚类算法 | 第35-42页 |
| 3.2.1 I-divergence测度 | 第36页 |
| 3.2.2 基于I-divergence测度的K-means聚类方法 | 第36-37页 |
| 3.2.3 基于I-divergence测度的K-means聚类方法步骤 | 第37-38页 |
| 3.2.4 仿真数据及实验结果分析 | 第38-40页 |
| 3.2.5 UCI数据及实验结果分析 | 第40-42页 |
| 3.3 基于Max Entropy测度的K-means聚类算法 | 第42-48页 |
| 3.3.1 Max Entropy测度 | 第42页 |
| 3.3.2 基于Max Entropy测度的K-means聚类算法 | 第42-43页 |
| 3.3.3 基于Max Entropy测度的K-means聚类算法方法步骤 | 第43-44页 |
| 3.3.4 仿真数据及实验结果分析 | 第44-47页 |
| 3.3.5 UCI数据及实验结果分析 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 4 改进K-means聚类算法在东三省地区农业发展定位研究 | 第49-58页 |
| 4.1 东三省地区农业背景 | 第49页 |
| 4.2 东三省地区聚类指标选取 | 第49-50页 |
| 4.3 改进K-means聚类算法应用于东三省地区农业聚类分析 | 第50-57页 |
| 4.3.1 东三省主要地区数据选取 | 第50-51页 |
| 4.3.2 东三省主要地区指标数据的标准理化处 | 第51-54页 |
| 4.3.3 改进K-means聚类算法应用于东三省地区的聚类结果及分析 | 第54-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 结论与展望 | 第58-60页 |
| 5.1 结论 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间发表的学术论文 | 第66页 |
