基于粗糙集理论的聚类研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪言 | 第8-13页 |
| ·数据挖掘简介 | 第8-10页 |
| ·数据挖掘的概念 | 第8-9页 |
| ·数据挖掘的一般过程 | 第9页 |
| ·数据挖掘的主要方法 | 第9-10页 |
| ·小结 | 第10页 |
| ·粗糙集在数据挖掘中的应用 | 第10-11页 |
| ·论文的组织结构 | 第11-13页 |
| 第二章 聚类分析 | 第13-26页 |
| ·聚类分析的介绍 | 第13-14页 |
| ·聚类算法面临的挑战 | 第14-15页 |
| ·聚类分析中的数据类型 | 第15-18页 |
| ·数据矩阵 | 第15-16页 |
| ·相异度矩阵 | 第16页 |
| ·区间标度变量 | 第16-17页 |
| ·相似性度量 | 第17-18页 |
| ·聚类分析中的主要算法及其比较 | 第18-20页 |
| ·聚类算法介绍 | 第18-19页 |
| ·聚类算法的比较 | 第19-20页 |
| ·基于层次的聚类改进算法 | 第20-26页 |
| ·传统层次方法的不足之处 | 第20-21页 |
| ·聚类质量评价标准 | 第21页 |
| ·改进算法 | 第21-23页 |
| ·仿真实验 | 第23-25页 |
| ·结论 | 第25-26页 |
| 第三章 粗糙集理论 | 第26-38页 |
| ·粗糙集介绍 | 第27-28页 |
| ·粗糙集理论的基本知识 | 第28-31页 |
| ·不可分辨关系 | 第28页 |
| ·集合的上、下近似 | 第28-30页 |
| ·知识表达系统与决策表 | 第30-31页 |
| ·属性的化简 | 第31-35页 |
| ·属性的约简 | 第31-33页 |
| ·属性的相对约简 | 第33-35页 |
| ·粗糙集的研究现状 | 第35-37页 |
| ·粗糙集数学性质方面的研究 | 第35页 |
| ·粗糙集理论有效算法方面的研究 | 第35-36页 |
| ·粗糙集模型拓展方面的研究 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 粗糙集在聚类分析中的应用 | 第38-55页 |
| ·一种改进的属性约简算法 | 第39-44页 |
| ·基于可辨识矩阵的基本约简算法 | 第40-42页 |
| ·一种改进的属性约简算法 | 第42-44页 |
| ·粗糙集在聚类中的应用 | 第44-48页 |
| ·K-means 算法 | 第44-45页 |
| ·最大最小距离算法 | 第45-47页 |
| ·对传统的聚类算法的分析 | 第47-48页 |
| ·基于粗糙集的 K-means 算法 | 第48-51页 |
| ·算法介绍 | 第48-50页 |
| ·算法流程 | 第50-51页 |
| ·实验分析 | 第51-54页 |
| ·实验环境 | 第51页 |
| ·测试数据集 | 第51-52页 |
| ·实验结果 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第五章 聚类的粒度分析 | 第55-71页 |
| ·信息粒度原理 | 第55-56页 |
| ·信息粒度 | 第55页 |
| ·信息粒度的形式化描述 | 第55-56页 |
| ·不同粒度世界的关系 | 第56页 |
| ·聚类分析中的粒度原理 | 第56-59页 |
| ·聚类中的粒度原理 | 第56-57页 |
| ·粒度框架下分析聚类结果和先验知识的不协调性 | 第57-59页 |
| ·在聚类算法中引入粒度原理 | 第59-63页 |
| ·非粒度聚类分析方法的缺陷 | 第59-62页 |
| ·基于粒度原理聚类算法的思想框架 | 第62-63页 |
| ·基于粒度原理 K-means 算法 | 第63-66页 |
| ·粒度的选择 | 第63-64页 |
| ·对边界区域数据的处理 | 第64-65页 |
| ·算法流程 | 第65-66页 |
| ·实验分析 | 第66-70页 |
| ·实验环境 | 第66页 |
| ·测试数据集 | 第66-67页 |
| ·实验结果 | 第67-70页 |
| ·本章小结 | 第70-71页 |
| 第六章 总结和展望 | 第71-73页 |
| ·本文总结 | 第71-72页 |
| ·本文展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士学位期间所发表的论文 | 第78页 |
