| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-10页 |
| ·课题研究背景及来源 | 第8页 |
| ·本文的主要成果 | 第8页 |
| ·本文的组织 | 第8-10页 |
| 第二章 J2EE 轻量级架构分析研究 | 第10-17页 |
| ·传统的J2EE 体系结构 | 第10页 |
| ·J2EE 轻量级架构 | 第10-14页 |
| ·Struts 框架 | 第11-13页 |
| ·Spring 框架 | 第13-14页 |
| ·Hibernate 框架 | 第14页 |
| ·J2EE 轻量级架构与EJB 比较 | 第14-16页 |
| ·J2EE 的优势 | 第16页 |
| ·本章小结 | 第16-17页 |
| 第三章 基于J2EE 轻量级框架的高校健康信息系统的设计与实现 | 第17-23页 |
| ·系统总体需求 | 第17页 |
| ·系统核心业务流程 | 第17页 |
| ·系统核心结构 | 第17-18页 |
| ·系统业务模块设计 | 第18-19页 |
| ·STRUTS、SPRING、HIBERNATE框架整合及各层实现 | 第19-22页 |
| ·表现层实现 | 第20-21页 |
| ·业务逻辑层实现 | 第21页 |
| ·数据持久层实现 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第四章 基于划分的聚类方法 | 第23-36页 |
| ·聚类概述 | 第23页 |
| ·聚类理论研究进展 | 第23-24页 |
| ·基于划分的聚类 | 第24-25页 |
| ·数据类型及相似度度量 | 第25-31页 |
| ·聚类分析中的数据类型 | 第25页 |
| ·聚类分析中的相似度度量 | 第25-31页 |
| ·聚类准则函数 | 第31-33页 |
| ·误差平方和准则函数J_c | 第31-32页 |
| ·加权平均平方距离和准则J_t | 第32页 |
| ·类间距离和准则J_b | 第32-33页 |
| ·典型的划分聚类方法 | 第33-35页 |
| ·基于质心的K-means 方法 | 第33-34页 |
| ·基于代表对象的K-medoids 方法 | 第34页 |
| ·大型数据库的划分方法 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第五章 K-MEANS 聚类算法及改进研究 | 第36-46页 |
| ·K-MEANS算法介绍 | 第36-38页 |
| ·K-means 算法 | 第36页 |
| ·K-means 算法流程 | 第36页 |
| ·K-means 算法特点 | 第36-37页 |
| ·K-means 算法面临的主要问题 | 第37-38页 |
| ·K-MEANS算法选取初始聚类中心的现有方法 | 第38-41页 |
| ·基于均值-标准差选取初始点 | 第38-39页 |
| ·基于密度的K-means 初始中心选取算法 | 第39页 |
| ·最大最小距离法选取聚类中心 | 第39-40页 |
| ·超立方体技术确定初始聚类中心 | 第40-41页 |
| ·其它确定初始聚类中心的方法 | 第41页 |
| ·改进的K-MEANS 初始聚类中心选取算法 | 第41-45页 |
| ·改进的K-means 初始聚类中心选取算法的基本思想 | 第41-43页 |
| ·改进的K-means 初始聚类中心选取算法描述 | 第43页 |
| ·实验结果与分析 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第六章 应用改进K-MEANS 算法实现高校健康信息系统的在线聚类分析 | 第46-55页 |
| ·数据收集 | 第46-47页 |
| ·数据预处理 | 第47-51页 |
| ·数据集成 | 第47-49页 |
| ·数据清洗 | 第49-51页 |
| ·数据变换 | 第51页 |
| ·聚类分析执行流程 | 第51-52页 |
| ·结果对比 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第七章 总结与展望 | 第55-57页 |
| ·本论文的总结 | 第55页 |
| ·研究展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士期间公开发表的论文 | 第60-61页 |
| 致谢 | 第61-62页 |
