基于最小生成树思想改进后的KK-MEANS聚类方法研究及其在地震数据集中的应用
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-20页 |
| ·聚类研究的背景及意义 | 第9-10页 |
| ·聚类研究的发展动态 | 第10-18页 |
| ·聚类概述 | 第10-12页 |
| ·聚类方法分类 | 第12-16页 |
| ·数据挖掘对聚类的要求 | 第16-18页 |
| ·聚类发展现状和未来趋势 | 第18页 |
| ·本文的主要工作及内容 | 第18-19页 |
| ·论文的组织 | 第19-20页 |
| 第二章 聚类算法研究 | 第20-32页 |
| ·划分方法 | 第20-21页 |
| ·K-means 算法 | 第20-21页 |
| ·K-medoids 算法 | 第21页 |
| ·层次方法 | 第21-25页 |
| ·BIRCH 算法 | 第23-24页 |
| ·CURE 算法 | 第24-25页 |
| ·ROCK 算法 | 第25页 |
| ·Chameleon 算法 | 第25页 |
| ·密度方法 | 第25-28页 |
| ·DBSCAN 算法 | 第26-27页 |
| ·OPTICS 算法 | 第27页 |
| ·DENCLUE 算法 | 第27-28页 |
| ·网格方法 | 第28-29页 |
| ·STING 算法 | 第28页 |
| ·Wavelcuster 算法 | 第28-29页 |
| ·CLIQUE 算法 | 第29页 |
| ·模型方法 | 第29-31页 |
| ·统计学方法 | 第29-30页 |
| ·神经网络方法 | 第30-31页 |
| ·本章小节 | 第31-32页 |
| 第三章 基于划分的聚类方法 | 第32-47页 |
| ·划分聚类概述 | 第32-33页 |
| ·数据类型及相似度度量方法 | 第33-41页 |
| ·聚类分析中的数据类型 | 第33-34页 |
| ·聚类分析中的相似度度量方法 | 第34-41页 |
| ·聚类准则函数 | 第41-43页 |
| ·基于划分的三种典型聚类方法 | 第43-46页 |
| ·K-MEANS 聚类方法 | 第43-44页 |
| ·K-MEDIODS 聚类方法 | 第44-45页 |
| ·大型数据库的划分方法 | 第45-46页 |
| ·本章小节 | 第46-47页 |
| 第四章 K-MEANS 算法研究及改进 | 第47-63页 |
| ·K-MEANS 算法思想及流程 | 第47-48页 |
| ·原始的K-MEANS 算法思想 | 第47页 |
| ·K-MEANS 算法流程 | 第47-48页 |
| ·算法的特点和面临的主要问题 | 第48-50页 |
| ·K-MEANS 算法的特点 | 第48页 |
| ·K-MEANS 算法主要问题 | 第48-50页 |
| ·选择初始值的现有方法 | 第50页 |
| ·K-MEANS 算法的改进 | 第50-62页 |
| ·KK-MEANS 算法提出 | 第51-52页 |
| ·KK-MEANS 基本理论思想 | 第52-55页 |
| ·KK-MEANS 算法模拟 | 第55-58页 |
| ·KK-MEANS 算法流程及实现 | 第58-62页 |
| ·本章小节 | 第62-63页 |
| 第五章 实验分析及未来研究方向 | 第63-74页 |
| ·实验结果分析 | 第63-72页 |
| ·实验一 | 第63-69页 |
| ·实验二 | 第69-72页 |
| ·未来的研究方向 | 第72-74页 |
| 结论 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 攻读学位期间发表论文及科研项目 | 第79-80页 |
| 数据附录 | 第80-83页 |
