| 中文摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 绪论 | 第11-26页 |
| ·本文的选题背景与研究意义 | 第11-12页 |
| ·聚类概念与聚类过程 | 第12-13页 |
| ·数据挖掘对聚类分析的要求 | 第13-14页 |
| ·主要聚类方法及其研究进展 | 第14-20页 |
| ·划分方法 | 第14-15页 |
| ·层次方法 | 第15-18页 |
| ·基于密度的方法 | 第18页 |
| ·基于网格的方法 | 第18-19页 |
| ·基于模型的方法 | 第19-20页 |
| ·基于SOM 的聚类方法研究现状 | 第20-23页 |
| ·本文结构及主要贡献 | 第23-26页 |
| 第二章 一维SOM 聚类功能实验研究 | 第26-49页 |
| ·SOM 神经网络 | 第26-28页 |
| ·SOM 网络模型 | 第26页 |
| ·SOM 神经网络学习算法 | 第26-28页 |
| ·实验研究工具 | 第28-30页 |
| ·召回率、精度和正确率 | 第30页 |
| ·使用人工合成数据集的实验 | 第30-40页 |
| ·包含两个线性不可分类的数据集（数据集Ⅰ） | 第31-33页 |
| ·包含线性可分大小相同和大小不同两类的数据集（数据集Ⅱ） | 第33-35页 |
| ·包含密度不等两类的数据集（数据集Ⅲ） | 第35-37页 |
| ·包含互相交叠两类的数据集（数据集Ⅳ） | 第37-40页 |
| ·结论 | 第40页 |
| ·使用真实数据集的实验 | 第40-48页 |
| ·Iris 数据集 | 第40-42页 |
| ·Zoo 数据集 | 第42-45页 |
| ·Wine 数据集 | 第45-46页 |
| ·Breast-cancer 数据集 | 第46-48页 |
| ·结论 | 第48页 |
| ·本章小结 | 第48-49页 |
| 第三章 参数对一维SOM 聚类结果影响研究 | 第49-64页 |
| ·一维SOM 训练结果的表示方法和评价方法 | 第49-52页 |
| ·一维SOM 映射式和映射简约式 | 第49-50页 |
| ·独立性I | 第50页 |
| ·最大聚集度L_(max) | 第50-51页 |
| ·分散度S | 第51-52页 |
| ·输出神经元个数对聚类结果影响研究 | 第52-57页 |
| ·实验设计 | 第52页 |
| ·用映射简约式表达的实验结果及讨论 | 第52-55页 |
| ·用映射图表达的实验结果及讨论 | 第55-57页 |
| ·训练步数对聚类结果的影响研究 | 第57-59页 |
| ·实验设计 | 第57-58页 |
| ·实验结果 | 第58-59页 |
| ·两阶段训练步数比率对聚类结果影响研究 | 第59-61页 |
| ·实验设计 | 第59-60页 |
| ·实验结果 | 第60-61页 |
| ·学习率初值对聚类结果的影响研究 | 第61-62页 |
| ·实验设计 | 第61-62页 |
| ·实验结果 | 第62页 |
| ·本章小结 | 第62-64页 |
| 第四章 基于一维和二维SOM 组合图的聚类方法 | 第64-79页 |
| ·引言 | 第64页 |
| ·方法描述 | 第64-65页 |
| ·方法举例 | 第65-69页 |
| ·待聚类样本集及训练条件 | 第65-66页 |
| ·训练结果 | 第66-68页 |
| ·组合图 | 第68页 |
| ·聚类结果 | 第68-69页 |
| ·方法讨论 | 第69-70页 |
| ·一维SOM 最佳训练结果的获取 | 第69页 |
| ·一维SOM 序列的获取 | 第69页 |
| ·二维SOM 映射图的获取条件选择 | 第69页 |
| ·多个组合图对比 | 第69-70页 |
| ·类间连线的确定 | 第70页 |
| ·实验 | 第70-78页 |
| ·重叠的类——Iris 样本集聚类 | 第70-72页 |
| ·嵌套的类——双同心圆样本集聚类 | 第72-74页 |
| ·互相交叉的类——正交双环数据集聚类 | 第74-76页 |
| ·高维数据——中文Web 文本数据集聚类 | 第76-78页 |
| ·本章小结 | 第78-79页 |
| 第五章 基于一维SOM 最相似原型序列的聚类方法 | 第79-92页 |
| ·引言 | 第79页 |
| ·方法描述 | 第79-80页 |
| ·方法程序 | 第80-81页 |
| ·方法举例 | 第81-84页 |
| ·实验数据 | 第81页 |
| ·训练参数 | 第81-82页 |
| ·训练结果 | 第82页 |
| ·最相似原型序列和最相似原型距离图 | 第82-83页 |
| ·聚类结果 | 第83-84页 |
| ·实验 | 第84-91页 |
| ·包含线性不可分类数据集 | 第84-87页 |
| ·Zoo 数据集 | 第87-89页 |
| ·Breast-cancer 数据集 | 第89-91页 |
| ·本章小结 | 第91-92页 |
| 第六章 基于一维SOM 输出序列样距图的数据分析法 | 第92-126页 |
| ·预备知识 | 第92-99页 |
| ·数据集的分布图 | 第92-93页 |
| ·样本序列、输入序列和输出序列 | 第93-94页 |
| ·样本序列的样距和样距图 | 第94-95页 |
| ·数据集的最佳序列和最佳输出序列 | 第95-96页 |
| ·样本序列的连线图 | 第96-97页 |
| ·样距图的峰检验和峰校正 | 第97-99页 |
| ·各种数据集输出序列样距图特征研究 | 第99-110页 |
| ·等距单类球形数据集 | 第100-102页 |
| ·等距单类非球形数据集 | 第102-103页 |
| ·含有多个等距分布距离类的数据集 | 第103-104页 |
| ·含有多个等距分布密度类的数据集 | 第104-105页 |
| ·含有孤立样本的数据集 | 第105-106页 |
| ·含有同位数据（或同位样本）的数据集 | 第106-107页 |
| ·非等距单类数据集 | 第107-108页 |
| ·含有两个非等距分布距离类的数据集 | 第108-109页 |
| ·含有多个非等距分布密度类的数据集 | 第109页 |
| ·输出序列样距图的形状与数据集结构的关系 | 第109-110页 |
| ·基于一维SOM 输出序列样距图的数据分析方法 | 第110-112页 |
| ·1 方法流程 | 第110-111页 |
| ·方法步骤 | 第111-112页 |
| ·方法举例 | 第112-116页 |
| ·1 实验数据集及训练参数 | 第112-113页 |
| ·输出系列及其样距图 | 第113-114页 |
| ·峰的检验与校正 | 第114页 |
| ·确定聚类结果 | 第114-116页 |
| ·Zoo 数据集分析 | 第116-124页 |
| ·输出序列样距图的获取及校正 | 第116-122页 |
| ·得到聚类结果 | 第122页 |
| ·数据分析 | 第122-124页 |
| ·方法讨论 | 第124-125页 |
| ·本章小结 | 第125-126页 |
| 第七章 总结与展望 | 第126-128页 |
| ·全文总结 | 第126-127页 |
| ·存在问题和前景展望 | 第127-128页 |
| 参考文献 | 第128-138页 |
| 致谢 | 第138-139页 |
| 附录1 | 第139-153页 |
| 发表论文和参加科研情况说明 | 第153页 |