| 摘要 | 第3-5页 |
| abstract | 第5-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 选题背景及其研究意义 | 第10页 |
| 1.2 选题研究现状 | 第10-13页 |
| 1.2.1 聚类分析算法研究现状 | 第10-12页 |
| 1.2.2 非平衡数据集的处理方法及研究现状 | 第12-13页 |
| 1.3 存在的问题 | 第13页 |
| 1.4 本文研究的主要内容 | 第13-14页 |
| 1.5 本章小结 | 第14-16页 |
| 第二章 聚类分析 | 第16-38页 |
| 2.1 基于划分的聚类方法 | 第17-21页 |
| 2.1.1 k-means算法 | 第17-18页 |
| 2.1.2 k-modes算法 | 第18-19页 |
| 2.1.3 k-Prototype算法 | 第19-21页 |
| 2.2 基于层次的聚类方法 | 第21-29页 |
| 2.2.1 BIRCH聚类算法 | 第23-24页 |
| 2.2.2 ROCK聚类算法 | 第24-26页 |
| 2.2.3 CURE聚类算法 | 第26-27页 |
| 2.2.4 Chameleon聚类算法 | 第27-29页 |
| 2.3 基于密度的聚类方法 | 第29-33页 |
| 2.3.1 DBSCAN算法 | 第30-31页 |
| 2.3.2 OPTICS聚类算法 | 第31-33页 |
| 2.3.3 DENCLUE聚类算法 | 第33页 |
| 2.4 基于网格的聚类方法 | 第33-37页 |
| 2.4.1 STING算法 | 第33-35页 |
| 2.4.2 WaveCluster算法 | 第35-36页 |
| 2.4.3 CLIQUE算法 | 第36-37页 |
| 2.5 本章总结 | 第37-38页 |
| 第三章 一种基于迭代信息熵权的改进LFCM算法及其实现 | 第38-50页 |
| 3.1 LiteralFuzzyc-Means(LFCM) | 第38-40页 |
| 3.2 EntropyWeightLiteralFuzzyc-Means(EW-LFCM) | 第40页 |
| 3.3 基于迭代信息熵权的改进LFCM算法 | 第40-43页 |
| 3.3.1 IEW-LFCM算法原理 | 第40-41页 |
| 3.3.2 IEW-LFCM算法运行流程 | 第41-43页 |
| 3.4 实验及结果分析 | 第43-48页 |
| 3.4.1 实验环境 | 第43-44页 |
| 3.4.2 数据集 | 第44页 |
| 3.4.3 参数设计 | 第44页 |
| 3.4.4 评价标准 | 第44-45页 |
| 3.4.5 实验结果及分析 | 第45-48页 |
| 3.5 本章总结 | 第48-50页 |
| 第四章 基于非平衡数据集的改进LFCM算法应用研究 | 第50-56页 |
| 4.1 非平衡数据集 | 第50-51页 |
| 4.1.1 非平衡数据集概念 | 第50-51页 |
| 4.2 将IEW-LFCM算法用于非平衡数据集的实验及结果分析 | 第51-55页 |
| 4.2.1 实验环境 | 第51页 |
| 4.2.2 数据集 | 第51-52页 |
| 4.2.3 改进的LFCM算法参数设计 | 第52页 |
| 4.2.4 实验结果及分析 | 第52-55页 |
| 4.3 本章总结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 工作总结 | 第56页 |
| 5.2 下一步工作展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 攻读学位期间发表的学术论文目录 | 第64-65页 |
| 项目受资助情况 | 第65页 |
