| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 目录 | 第8-10页 |
| 1 引言 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 研究现状 | 第12-13页 |
| 1.4 本文主要工作 | 第13页 |
| 1.5 本论文结构安排 | 第13-15页 |
| 2 数据可视化技术 | 第15-26页 |
| 2.1 数据可视化的分类 | 第15-19页 |
| 2.1.1 科学可视化 | 第16页 |
| 2.1.2 信息可视化 | 第16页 |
| 2.1.3 可视分析学 | 第16-19页 |
| 2.3 几种常用可视化技术 | 第19-23页 |
| 2.3.1 基于几何变换的技术 | 第19-21页 |
| 2.3.2 基于图标的可视化技术 | 第21-22页 |
| 2.3.3 基于像素的可视化技术 | 第22页 |
| 2.3.4 基于层次的可视化技术 | 第22-23页 |
| 2.4 数据挖掘可视化 | 第23-25页 |
| 2.4.1 可视化的交互技术 | 第23-24页 |
| 2.4.2 数据可视化与数据挖掘的关系 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 常用聚类算法及评价算法 | 第26-33页 |
| 3.1 聚类分析方法 | 第26-29页 |
| 3.1.1 K-均值算法 | 第28页 |
| 3.1.2 聚类分析优化问题 | 第28-29页 |
| 3.2 聚类效果评价度量 | 第29-31页 |
| 3.2.1 外部度量法 | 第29-30页 |
| 3.2.2 内部度量法 | 第30-31页 |
| 3.2.3 相对度量法 | 第31页 |
| 3.3 本章小结 | 第31-33页 |
| 4 基于PCA技术的图标可视化方法 | 第33-42页 |
| 4.1 PCA技术 | 第34-36页 |
| 4.1.1 PCA技术的基本思想 | 第34-35页 |
| 4.1.2 PCA技术的步骤 | 第35-36页 |
| 4.2 聚类算法的可视化应用特征 | 第36-39页 |
| 4.2.1 K-均值算法描述 | 第36-38页 |
| 4.2.2 对K-均值算法初始类别的确定 | 第38-39页 |
| 4.3 基于图标的可视化模型和方法 | 第39-41页 |
| 4.3.1 基于像素图标的可视化方法 | 第39-40页 |
| 4.3.2 颜色空间的表示 | 第40页 |
| 4.3.3 基于PCA技术的图标可视化方法 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 实验结果及分析 | 第42-49页 |
| 5.1 实验环境及工具 | 第42页 |
| 5.2 实验数据集简介 | 第42-43页 |
| 5.3 实验结果及分析 | 第43-48页 |
| 5.3.1 基于PCA的图标可视化算法的可视化展示 | 第43-45页 |
| 5.3.2 对K-均值算法初始类别的确定 | 第45-46页 |
| 5.3.3 对K-均值聚类算法效果的评价 | 第46-48页 |
| 5.4 本章小结 | 第48-49页 |
| 6 结论 | 第49-51页 |
| 6.1 论文工作总结 | 第49页 |
| 6.2 工作展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 作者简历 | 第54-56页 |
| 学位论文数据集 | 第56页 |