| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 主要研究内容 | 第10页 |
| 1.4 论文的组织和安排 | 第10-12页 |
| 2 数据挖掘和聚类分析 | 第12-27页 |
| 2.1 数据挖掘概论 | 第12-15页 |
| 2.1.1 数据挖掘的相关概念 | 第12页 |
| 2.1.2 数据挖掘的流程 | 第12-14页 |
| 2.1.3 数据挖掘的分类 | 第14-15页 |
| 2.2 聚类分析 | 第15-25页 |
| 2.2.1 聚类分析的概念 | 第15-16页 |
| 2.2.2 数据类型和度量方法 | 第16-20页 |
| 2.2.3 主要的聚类方法 | 第20-24页 |
| 2.2.4 聚类要求 | 第24-25页 |
| 2.3 聚类评价 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 基于密度的DBSCAN聚类算法 | 第27-32页 |
| 3.1 DBSCAN算法 | 第27-30页 |
| 3.1.1 算法相关定义 | 第27-28页 |
| 3.1.2 算法思想 | 第28页 |
| 3.1.3 算法步骤与框架 | 第28-29页 |
| 3.1.4 DBSCAN算法优缺点分析 | 第29-30页 |
| 3.2 针对DBSCAN算法的已有改进 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 4 针对非均匀密度环境的自适应DBSCAN算法 | 第32-46页 |
| 4.1 SADBSCAN-DLP算法概念 | 第32-35页 |
| 4.1.1 算法的相关定义 | 第32-34页 |
| 4.1.2 算法的思想 | 第34-35页 |
| 4.2 算法的核心方法 | 第35-39页 |
| 4.2.1 密度层次的划分方法 | 第35-37页 |
| 4.2.2 自动确定阈值参数MinPts | 第37页 |
| 4.2.3 不同密度层次数据集的邻域半径Eps的计算 | 第37-39页 |
| 4.2.4 对各个分割集合进行DBSCAN聚类 | 第39页 |
| 4.3 算法框架 | 第39-41页 |
| 4.3.1 算法描述 | 第39-40页 |
| 4.3.2 算法的时间特性分析 | 第40-41页 |
| 4.4 算法实验结果分析 | 第41-45页 |
| 4.4.1 模拟数据集下的实验 | 第41-43页 |
| 4.4.2 公开数据集下的实验 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 总结和展望 | 第46-48页 |
| 5.1 总结 | 第46-47页 |
| 5.2 展望 | 第47-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 附录 | 第52页 |
| A. 作者在攻读学位期间发表的论文目录 | 第52页 |