| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及研究意义 | 第10-11页 |
| 1.2 论文研究内容 | 第11-12页 |
| 1.3 论文创新工作 | 第12-13页 |
| 1.4 论文结构安排 | 第13-15页 |
| 第二章 聚类分析 | 第15-21页 |
| 2.1 聚类分析 | 第15页 |
| 2.2 聚类分析方法 | 第15-17页 |
| 2.3 高维聚类分析 | 第17-20页 |
| 2.3.1 高维数据特点 | 第17-18页 |
| 2.3.2 高维聚类分析面临的问题与挑战 | 第18页 |
| 2.3.3 高维聚类分析方法 | 第18-20页 |
| 2.4 小结 | 第20-21页 |
| 第三章 面向高维划分式聚类的初始中心点选择方法 | 第21-34页 |
| 3.1 引言 | 第21-22页 |
| 3.2 基于共享近邻的高维划分式聚类初始中心点选择方法 | 第22-28页 |
| 3.2.1 共享近邻相似度度量 | 第22页 |
| 3.2.2 高维划分式聚类初始中心点选择方法 | 第22-24页 |
| 3.2.3 ASAICC算法 | 第24-28页 |
| 3.3 实验比较与分析 | 第28-33页 |
| 3.3.1 合成数据集 | 第28-32页 |
| 3.3.2 真实数据集 | 第32-33页 |
| 3.4 小结 | 第33-34页 |
| 第四章 自适应软子空间聚类分析提升算法 | 第34-47页 |
| 4.1 引言 | 第34-35页 |
| 4.2 软子空间聚类算法 | 第35-39页 |
| 4.2.1 CSSC算法 | 第36-37页 |
| 4.2.2 模糊加权ISSC算法 | 第37-38页 |
| 4.2.3 熵加权ISSC算法 | 第38页 |
| 4.2.4 XSSC算法 | 第38-39页 |
| 4.3 AESSC算法 | 第39-42页 |
| 4.3.1 算法目标函数 | 第39-41页 |
| 4.3.2 算法执行过程 | 第41-42页 |
| 4.4 实验比较与分析 | 第42-46页 |
| 4.4.1 合成数据集 | 第43-46页 |
| 4.4.2 真实数据集 | 第46页 |
| 4.5 小结 | 第46-47页 |
| 第五章 分布式并行化子空间聚类分析算法 | 第47-55页 |
| 5.1 引言 | 第47页 |
| 5.2 MapReduce计算框架 | 第47-48页 |
| 5.3 基于MapReduce分布式并行化改进的Mafia算法 | 第48-54页 |
| 5.3.1 Mafia算法 | 第48-50页 |
| 5.3.2 MR-Mafia算法 | 第50-52页 |
| 5.3.3 算法执行流程与优势 | 第52-53页 |
| 5.3.4 实验比较与分析 | 第53-54页 |
| 5.4 小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-56页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表的学术论文目录 | 第63页 |