| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的主要工作 | 第12页 |
| 1.4 本文的组织架构 | 第12-14页 |
| 2 数据挖掘中的聚类分析 | 第14-24页 |
| 2.1 聚类分析概述 | 第14-16页 |
| 2.1.1 聚类的概念与应用 | 第14-15页 |
| 2.1.2 聚类分析的典型评价 | 第15-16页 |
| 2.2 经典聚类算法 | 第16-18页 |
| 2.2.1 划分方法 | 第16页 |
| 2.2.2 层次方法 | 第16-17页 |
| 2.2.3 基于密度方法 | 第17-18页 |
| 2.2.4 基于网格方法 | 第18页 |
| 2.2.5 基于模型方法 | 第18页 |
| 2.3 高维聚类算法分析 | 第18-20页 |
| 2.3.1 高维数据的特点 | 第19页 |
| 2.3.2 属性约简 | 第19页 |
| 2.3.3 子空间聚类算法 | 第19-20页 |
| 2.4 常用的子空间聚类概述 | 第20-22页 |
| 2.4.1 传统的CLIQUE算法 | 第21页 |
| 2.4.2 DOC (Density-based Optimal projective Clustering)算法 | 第21页 |
| 2.4.3 PROCLUS (PROjected Clustering)算法 | 第21-22页 |
| 2.4.4 pCluster聚类算法 | 第22页 |
| 2.5 本章小结 | 第22-24页 |
| 3 基于距离相似性meansK - 的红外图像聚类算法研究 | 第24-31页 |
| 3.1 简述 | 第24页 |
| 3.2 传统的meansK - 算法 | 第24-26页 |
| 3.2.1 meansK - 算法思想 | 第24-25页 |
| 3.2.2 meansK - 的不足之处 | 第25-26页 |
| 3.3 基于距离相似性meansK - 的聚类算法 | 第26页 |
| 3.4 分析与仿真 | 第26-30页 |
| 3.4.1 数据仿真 | 第26-30页 |
| 3.4.2 算法分析 | 第30页 |
| 3.5 本章小结 | 第30-31页 |
| 4 一种改进的CLIQUEnew- 高维子空间聚类算法 | 第31-42页 |
| 4.1 简述 | 第31页 |
| 4.2 经典CLIQUE算法 | 第31-34页 |
| 4.2.1 传统CLIQUE 算法的基本思想 | 第31-32页 |
| 4.2.2 传统CLIQUE算法的基本步骤 | 第32-33页 |
| 4.2.3 传统CLIQUE算法的特点 | 第33-34页 |
| 4.3 CLIQUEnew- 算法的提出 | 第34-39页 |
| 4.3.1 Gini值降维和备份有效数据库D' | 第34-35页 |
| 4.3.2 带约束条件的聚类 | 第35-36页 |
| 4.3.3 混合网格划分技术 | 第36-39页 |
| 4.4 仿真与分析 | 第39-41页 |
| 4.4.1 数据仿真 | 第39-40页 |
| 4.4.2 算法分析 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 5 总结与展望 | 第42-44页 |
| 5.1 总结 | 第42-43页 |
| 5.2 展望 | 第43-44页 |
| 致谢 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 个人简历、在学校期间发表的学术论文及取得的研究成果 | 第48页 |
