数据挖掘中的聚类算法的研究及分析
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 数据挖掘技术的概述 | 第14-18页 |
| 1.1.1 数据挖掘的定义 | 第14页 |
| 1.1.2 数据挖掘的主要技术支撑 | 第14-15页 |
| 1.1.3 数据挖掘的步骤 | 第15页 |
| 1.1.4 数据挖掘的方法 | 第15-16页 |
| 1.1.5 数据挖掘国内外研究现状 | 第16-17页 |
| 1.1.6 数据挖掘应用与发展趋势 | 第17-18页 |
| 1.2 选题的科学意义 | 第18-19页 |
| 1.3 本文内容及结构安排 | 第19-20页 |
| 第二章 数据挖掘中的聚类分析 | 第20-34页 |
| 2.1 聚类分析概述 | 第20-21页 |
| 2.2 聚类分析中的数据结构和数据类型 | 第21-27页 |
| 2.2.1 聚类分析中的数据结构 | 第21-22页 |
| 2.2.2 聚类分析中的数据类型 | 第22-26页 |
| 2.2.3 聚类准则的确定 | 第26-27页 |
| 2.3 聚类算法的分类 | 第27-32页 |
| 2.3.1 基于划分的方法 | 第27-28页 |
| 2.3.2 基于层次的方法 | 第28-30页 |
| 2.3.3 基于密度的方法 | 第30-31页 |
| 2.3.4 基于模型的方法 | 第31-32页 |
| 2.3.5 基于网格的方法 | 第32页 |
| 2.4 聚类分析在数据挖掘中的应用 | 第32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 模糊C均值聚类算法及其分析 | 第34-58页 |
| 3.1 模糊集理论 | 第34页 |
| 3.2 模糊C均值聚类算法（FCM） | 第34-39页 |
| 3.2.1 FCM算法的基本原理 | 第34-37页 |
| 3.2.2 FCM算法中隶属度的解释 | 第37-38页 |
| 3.2.3 FCM算法中加权指数m的解释 | 第38-39页 |
| 3.2.4 FCM算法的优缺点 | 第39页 |
| 3.3 对手抑制式FCM算法 | 第39-42页 |
| 3.3.1 对手抑制式FCM算法的思想基础 | 第40-41页 |
| 3.3.2 对手抑制式FCM算法 | 第41-42页 |
| 3.4 FCM算法最佳聚类数目的自动确定 | 第42-46页 |
| 3.4.1 聚类有效性函数概述 | 第42-45页 |
| 3.4.2 一种改进的聚类有效性函数 | 第45-46页 |
| 3.5 基于信息熵的FCM算法分析 | 第46-56页 |
| 3.5.1 信息熵、模糊熵、相对熵概述 | 第46-48页 |
| 3.5.2 基于模糊熵的FCM算法分析 | 第48-49页 |
| 3.5.3 基于相对熵的FCM算法分析 | 第49-56页 |
| 3.6 本章小结 | 第56-58页 |
| 第四章 FCM算法的仿真实现及分析 | 第58-74页 |
| 4.1 FCM改进算法的综合实现 | 第58-60页 |
| 4.2 实验结果与分析 | 第60-72页 |
| 4.2.1 简单数据集 | 第60-63页 |
| 4.2.2 二维数据集 | 第63-66页 |
| 4.2.3 三维数据集 | 第66-69页 |
| 4.2.4 IRIS数据集 | 第69-72页 |
| 4.3 本章小结 | 第72-74页 |
| 第五章 总结与展望 | 第74-76页 |
| 5.1 全文总结 | 第74页 |
| 5.2 延伸与展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |
