| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文主要内容及组织结构 | 第10-12页 |
| 1.3.1 本文的主要研究内容 | 第10-11页 |
| 1.3.2 论文章节安排 | 第11-12页 |
| 第2章 数据挖掘中的聚类算法分类研究 | 第12-20页 |
| 2.1 数据挖掘过程概述 | 第12-14页 |
| 2.2 数据挖掘中的聚类算法分类 | 第14-15页 |
| 2.3 层次聚类算法 | 第15页 |
| 2.4 分割聚类算法 | 第15-17页 |
| 2.4.1 基于密度的聚类 | 第16页 |
| 2.4.2 基于网格的聚类 | 第16页 |
| 2.4.3 基于图论的聚类 | 第16页 |
| 2.4.4 基于平方误差的迭代重分配聚类 | 第16-17页 |
| 2.5 机器学习中的聚类算法 | 第17页 |
| 2.6 用于高维数据的聚类算法 | 第17页 |
| 2.7 现有聚类算法的性能比较 | 第17-18页 |
| 2.8 基于聚类算法的数据挖掘应用 | 第18-19页 |
| 2.9 本章小结 | 第19-20页 |
| 第3章 K-means聚类算法及改进 | 第20-31页 |
| 3.1 K-MEANS算法原理及其聚类过程 | 第20-22页 |
| 3.1.1 传统K-means算法 | 第21页 |
| 3.1.2 基于平均误差准则函数的k-means算法 | 第21-22页 |
| 3.2 K-MEANS算法聚类要素及其优缺点 | 第22-24页 |
| 3.2.1 k-means聚类算法要素分析 | 第22页 |
| 3.2.2 k-means聚类算法优劣势分析 | 第22-24页 |
| 3.3 面向优化初始中心点的改进K-MEANS算法 | 第24-26页 |
| 3.3.1 改进初始聚类中心的选取 | 第24-25页 |
| 3.3.2 基于规则初始聚类中心的k-means聚类算法 | 第25-26页 |
| 3.3.3 对噪声以及孤立点处理能力的改进 | 第26页 |
| 3.4 基于初始聚类中心优化的改进型K-MEANS算法 | 第26-28页 |
| 3.4.1 算法基本思想 | 第27页 |
| 3.4.2 初始聚类中心候选点选取方法 | 第27-28页 |
| 3.4.3 初始聚类中心的分布保障 | 第28页 |
| 3.5 算法分析 | 第28-30页 |
| 3.6 本章小结 | 第30-31页 |
| 第4章 基于改进的K-means聚类算法应用 | 第31-38页 |
| 4.1 基于改进的K-MEANS聚类算法的NBA球员数据挖掘系统 | 第31-34页 |
| 4.1.1 软件系统总体架构 | 第32-33页 |
| 4.1.2 系统运行流程 | 第33-34页 |
| 4.2 运行界面及结果分析 | 第34-38页 |
| 4.2.1 系统运行情况分析 | 第34-36页 |
| 4.2.2 基于改进的K-means聚类结果分析 | 第36-38页 |
| 第5章 总结与展望 | 第38-40页 |
| 5.1 论文的主要工作 | 第38-39页 |
| 5.2 需要进一步研究的工作 | 第39-40页 |
| 参考文献 | 第40-44页 |
| 致谢 | 第44页 |
