| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第一章 绪论 | 第13-16页 |
| 1 引言 | 第13-14页 |
| 2 研究动机 | 第14-15页 |
| 3 论文的组织结构 | 第15-16页 |
| 第二章 数据挖掘中的聚类分析 | 第16-42页 |
| 1 聚类的基本概念 | 第16-21页 |
| ·定义 | 第16-18页 |
| ·聚类涉及的数据类型 | 第18-19页 |
| ·相似性度量 | 第19-21页 |
| 2 应用领域对聚类分析提出的典型要求 | 第21-22页 |
| 3 聚类的基本步骤 | 第22-25页 |
| 4 常见聚类算法 | 第25-41页 |
| ·层次的方法 | 第25-27页 |
| ·划分方法 | 第27-29页 |
| ·基于密度的方法 | 第29-33页 |
| ·基于网格的方法 | 第33-39页 |
| ·基于模型的方法 | 第39-41页 |
| 5 本章小结 | 第41-42页 |
| 第三章 联合数值归约、变种K-MEANS 算法和加权投票法的自动聚类算法 | 第42-58页 |
| 1 数值归约 | 第42-48页 |
| ·采样 | 第42-43页 |
| ·数据量化及聚合 | 第43-44页 |
| ·基于聚类的数值归约技术 | 第44-48页 |
| 2 基于压缩数据的K-MEANS 算法 | 第48-50页 |
| ·均值偏斜问题 | 第48页 |
| ·基于压缩数据的k-means 算法 | 第48-50页 |
| 3 加权投票法 | 第50-52页 |
| ·VT、NRT 及其加权 | 第50-51页 |
| ·基于NRT 的类融合 | 第51-52页 |
| 4 自动聚类算法 | 第52-53页 |
| ·算法描述 | 第52-53页 |
| ·性能分析 | 第53页 |
| 5 实验及评价 | 第53-57页 |
| ·实验 | 第53-57页 |
| ·实验分析与评价 | 第57页 |
| 6. 本章小结 | 第57-58页 |
| 第四章 基于密度和网格的子空间聚类算法 | 第58-69页 |
| 1 基于平行坐标系的高维数据可视化 | 第58-59页 |
| 2 子空间聚类算法 | 第59-64页 |
| ·基本概念和参数说明 | 第59-60页 |
| ·单一维边界识别 | 第60-61页 |
| ·基于竞争的修剪 | 第61-62页 |
| ·适于表达的子空间及类的生成 | 第62-64页 |
| 3 关键问题说明 | 第64-65页 |
| ·类的描述区分 | 第64页 |
| ·有关联合维描述类的进一步说明 | 第64页 |
| ·如何避免（1-δ）累加效应 | 第64-65页 |
| 4 实验与分析 | 第65-67页 |
| ·实验结果 | 第65-66页 |
| ·实验分析与评价 | 第66-67页 |
| 5 本章小结 | 第67-69页 |
| 第五章 聚类分析在目标识别中的应用 | 第69-82页 |
| 1 目标识别简述 | 第69-70页 |
| 2 目标的特征 | 第70-76页 |
| ·纹理特征 | 第70-71页 |
| ·不变性特征 | 第71-75页 |
| ·综合特征 | 第75-76页 |
| 3 基于聚类分析的目标分类器设计 | 第76-78页 |
| ·分类器结构 | 第76-77页 |
| ·分类器的多中心表达 | 第77-78页 |
| ·分类器的两级纠错训练模式 | 第78页 |
| 4 目标识别测试 | 第78-81页 |
| ·特征选取实验 | 第79-80页 |
| ·目标分类测试 | 第80-81页 |
| 5 本章小结 | 第81-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 参考文献 | 第84-88页 |
| 致谢 | 第88-89页 |
| 攻读硕士期间发表的论文 | 第89页 |