| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第9-13页 |
| ·研究背景及意义 | 第9页 |
| ·离群点检测中的关键问题 | 第9-10页 |
| ·本文工作及创新点 | 第10页 |
| ·本文的组织框架 | 第10-13页 |
| 第二章 相关研究工作 | 第13-26页 |
| ·引言 | 第13页 |
| ·数据挖掘 | 第13-16页 |
| ·数据挖掘概述 | 第13-14页 |
| ·高维数据挖掘概述 | 第14-15页 |
| ·信息熵 | 第15页 |
| ·属性约简 | 第15-16页 |
| ·聚类分析 | 第16-21页 |
| ·聚类分析概述 | 第16-17页 |
| ·主要聚类方法的分类 | 第17-21页 |
| ·离群点检测 | 第21-25页 |
| ·离群点定义 | 第22页 |
| ·离群点产生原因 | 第22-23页 |
| ·离群点检测算法概述 | 第23-24页 |
| ·离群点检测研究热点及发展趋势 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于聚类划分的两阶段离群点检测算法 | 第26-39页 |
| ·引言 | 第26-27页 |
| ·问题描述 | 第27-30页 |
| ·离群点问题描述 | 第27-28页 |
| ·聚类分析 | 第28-29页 |
| ·层次凝聚聚类算法 | 第28页 |
| ·k-means 划分方法 | 第28-29页 |
| ·信息熵基本概念 | 第29-30页 |
| ·基于聚类划分的两阶段离群点检测算法 T-ODCD | 第30-34页 |
| ·微聚类划分算法 | 第30-31页 |
| ·基于信息熵的微聚类过滤机制 | 第31-33页 |
| ·基于距离的离群点挖掘 | 第33-34页 |
| ·T-ODCD 算法 | 第34页 |
| ·实验结果分析 | 第34-37页 |
| ·T-ODCD 算法在信用卡欺诈中检测的应用 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 基于属性约简的离群点检测算法 | 第39-49页 |
| ·引言 | 第39-40页 |
| ·AROD 方法 | 第40-43页 |
| ·问题描述 | 第40页 |
| ·主要思想 | 第40页 |
| ·算法步骤 | 第40-43页 |
| ·信息熵的计算 | 第41-42页 |
| ·属性划分熵值 | 第42-43页 |
| ·发现离群对象 | 第43页 |
| ·实验及分析 | 第43-48页 |
| ·实验环境及数据集 | 第44页 |
| ·确定 AROD 算法的重要属性 | 第44-47页 |
| ·实验结果及分析 | 第47-48页 |
| ·不同属性下的离群点检测精度对比 | 第47-48页 |
| ·不同算法的离群点检测精度分析 | 第48页 |
| ·本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| ·总结 | 第49页 |
| ·展望 | 第49-51页 |
| 参考文献 | 第51-53页 |
| 攻读硕士期间发表学术论文及参与项目情况 | 第53-54页 |
| 致谢 | 第54页 |