| 中文摘要 | 第1-12页 |
| Abstract | 第12-15页 |
| 第一章 绪论 | 第15-25页 |
| ·引言 | 第15-16页 |
| ·聚类的概念 | 第16-19页 |
| ·聚类分析中的数据类型 | 第19页 |
| ·分类数据的聚类模型及其算法 | 第19-22页 |
| ·基于划分的聚类模型及其算法 | 第19-21页 |
| ·基于层次的聚类模型及其算法 | 第21-22页 |
| ·分类数据中聚类分析的一些问题 | 第22-23页 |
| ·本文的研究内容和组织结构 | 第23-25页 |
| 第二章 基于密度和距离的分类数据初始类中心选择算法 | 第25-33页 |
| ·引言 | 第25-26页 |
| ·k-modes算法和Fuzzy k-modes算法 | 第26-28页 |
| ·基于密度和距离的分类数据初始类中心选择算法 | 第28-29页 |
| ·实验分析 | 第29-32页 |
| ·实验环境 | 第29页 |
| ·评价方法 | 第29页 |
| ·实验结果 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 基于生物遗传分类学原理的k-modes聚类算法 | 第33-49页 |
| ·引言 | 第33-36页 |
| ·基于生物遗传分类学原理的k-modes聚类算法 | 第36-44页 |
| ·两个对象间的不相似性度量 | 第36-39页 |
| ·对象和"mode"之间的不相似性度量 | 第39-41页 |
| ·基于遗传分类学原理的k-modes聚类算法 | 第41页 |
| ·算法收敛性和复杂性分析 | 第41-44页 |
| ·实验分析 | 第44-47页 |
| ·伸缩性评价 | 第44-45页 |
| ·有效性评价 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 第四章 基于数据标签技术的分类数据聚类算法 | 第49-57页 |
| ·引言 | 第49-50页 |
| ·基于粗糙隶属函数的数据标签算法 | 第50-53页 |
| ·未标签对象和类之间的相似性度量 | 第50-53页 |
| ·基于粗糙隶属函数的数据标签算法 | 第53页 |
| ·实验分析 | 第53-55页 |
| ·本章小结 | 第55-57页 |
| 第五章 基于信息熵的分类数据子空间聚类算法 | 第57-69页 |
| ·引言 | 第57-58页 |
| ·一种属性带权的混合数据聚类算法 | 第58-60页 |
| ·基于信息熵的分类数据子空间聚类算法 | 第60-64页 |
| ·信息熵 | 第60-61页 |
| ·属性的权重 | 第61-62页 |
| ·ωk-modes算法 | 第62-64页 |
| ·实验分析 | 第64-67页 |
| ·有效性评价 | 第64-66页 |
| ·伸缩性评价 | 第66-67页 |
| ·本章小结 | 第67-69页 |
| 第六章 时序分类数据的聚类算法 | 第69-89页 |
| ·引言 | 第69-70页 |
| ·基本概念 | 第70-71页 |
| ·概念漂移检测 | 第71-77页 |
| ·概念间的距离 | 第71-74页 |
| ·概念漂移检测算法 | 第74-75页 |
| ·数据标签算法 | 第75-77页 |
| ·类关系分析 | 第77-79页 |
| ·类间的距离 | 第77-78页 |
| ·类的演化过程可视化算法 | 第78-79页 |
| ·实验分析 | 第79-85页 |
| ·实验环境和数据集 | 第79-80页 |
| ·概念漂移检测 | 第80-83页 |
| ·趋势分析 | 第83-85页 |
| ·本章小结 | 第85-89页 |
| 第七章 智能数据挖掘实验系统的设计与实现 | 第89-99页 |
| ·引言 | 第89页 |
| ·数据挖掘过程模型 | 第89-91页 |
| ·开发环境及运行环境 | 第91-92页 |
| ·开发环境 | 第91页 |
| ·运行环境 | 第91-92页 |
| ·系统功能 | 第92-93页 |
| ·系统特点 | 第93页 |
| ·具体应用 | 第93-98页 |
| ·本章小结 | 第98-99页 |
| 结论及展望 | 第99-101页 |
| 参考文献 | 第101-115页 |
| 研究成果 | 第115-117页 |
| 攻读博士学位期间主持(参与)的科研项目 | 第117-119页 |
| 致谢 | 第119-121页 |
| 个人简况及联系方式 | 第121-125页 |
