| 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14-22页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外的研究现状 | 第15-20页 |
| 1.2.1 现有的聚类分析方法 | 第15-19页 |
| 1.2.2 当前聚类算法的研究趋势 | 第19-20页 |
| 1.3 本文的主要工作及结构安排 | 第20-22页 |
| 1.3.1 本文的主要内容 | 第20-21页 |
| 1.3.2 本文的结构安排 | 第21-22页 |
| 第二章 聚类分析相关知识 | 第22-30页 |
| 2.1 聚类分析的原理及主要过程 | 第22-23页 |
| 2.2 聚类对象间相似性的度量方法 | 第23-25页 |
| 2.2.1 基于距离公式的相似性度量 | 第23-24页 |
| 2.2.2 基于相似系数的相似性度量 | 第24-25页 |
| 2.3 聚类结果的评价方法 | 第25-29页 |
| 2.3.1 内部评估准则 | 第25-26页 |
| 2.3.2 外部评估准则 | 第26-28页 |
| 2.3.3 相对评估准则 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于最大最小距离的K-means聚类算法 | 第30-40页 |
| 3.1 K-means聚类算法 | 第30-31页 |
| 3.1.1 算法的思想原理 | 第30页 |
| 3.1.2 算法的优缺点 | 第30-31页 |
| 3.2 基于最大最小距离的初始中心选择算法 | 第31-34页 |
| 3.2.1 算法的基本思想 | 第32-33页 |
| 3.2.2 算法的学习框架 | 第33-34页 |
| 3.3 实验分析 | 第34-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于贝叶斯决策理论的自动聚类算法 | 第40-56页 |
| 4.1 基于贝叶斯决策理论构建聚类方案的风险评估函数 | 第40-46页 |
| 4.1.1 贝叶斯决策原理 | 第40-41页 |
| 4.1.2 贝叶斯决策过程 | 第41-43页 |
| 4.1.3 拓展贝叶斯决策理论 | 第43-44页 |
| 4.1.4 构建聚类方案的风险评估函数 | 第44-46页 |
| 4.2 基于贝叶斯决策理论的自动聚类算法 | 第46-48页 |
| 4.2.1 数据预处理方法 | 第46-47页 |
| 4.2.2 自动聚类算法的思想 | 第47-48页 |
| 4.3 实验分析 | 第48-54页 |
| 4.3.1 可视化聚类结果 | 第48-50页 |
| 4.3.2 对照实验分析 | 第50-54页 |
| 4.4 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 本文总结 | 第56-57页 |
| 5.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 作者简介 | 第64-65页 |