| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 1 绪论 | 第11-15页 |
| ·研究背景 | 第11-12页 |
| ·国内外研究现状 | 第12-13页 |
| ·主要研究内容 | 第13-14页 |
| ·论文的组织 | 第14-15页 |
| 2 相关概念与技术 | 第15-31页 |
| ·数据挖掘概论 | 第15-17页 |
| ·数据挖掘的功能 | 第15-17页 |
| ·数据挖掘的分类 | 第17页 |
| ·数据预处理 | 第17-19页 |
| ·聚类分析 | 第19-24页 |
| ·聚类的定义 | 第20页 |
| ·相异度的计算 | 第20-22页 |
| ·聚类方法的分类 | 第22-24页 |
| ·关联规则挖掘 | 第24-28页 |
| ·相关概念 | 第24-25页 |
| ·量化关联规则 | 第25-26页 |
| ·算法的发展 | 第26-27页 |
| ·FP-growth算法 | 第27-28页 |
| ·离散化方法 | 第28-31页 |
| ·常用的几种量化属性离散化方法 | 第28-29页 |
| ·聚类算法CP[34](Clustering for Partitioning) | 第29-31页 |
| 3 K-means算法及其改进算法 | 第31-39页 |
| ·K-means算法描述 | 第31-32页 |
| ·K-means的优缺点 | 第32-33页 |
| ·改进的k-means算法 | 第33-35页 |
| ·实验结果和分析 | 第35-39页 |
| ·数据集 | 第35页 |
| ·聚类效果评价方法 | 第35-36页 |
| ·实验数据和分析 | 第36-39页 |
| 4 基于距离的离群挖掘 | 第39-47页 |
| ·基于索引的算法 | 第39页 |
| ·嵌套-循环算法 | 第39页 |
| ·基于单元的算法 | 第39-41页 |
| ·一种基于k-最近邻距离和的离群挖掘算法 | 第41-43页 |
| ·一种基于分区的离群挖掘算法 | 第43-47页 |
| 5 内涵知识发现算法 | 第47-58页 |
| ·相关定义 | 第47-49页 |
| ·算法FindNonTrivialOuts | 第49-51页 |
| ·存在的问题 | 第51页 |
| ·基于关联空间的离群挖掘算法 | 第51-54页 |
| ·相关定义 | 第51-52页 |
| ·算法描述 | 第52-53页 |
| ·算法分析 | 第53-54页 |
| ·实验结果和分析 | 第54-58页 |
| ·数据集 | 第54页 |
| ·计算AS | 第54-55页 |
| ·挖掘离群点 | 第55-58页 |
| 6 总结与展望 | 第58-60页 |
| ·总结 | 第58-59页 |
| ·进一步的工作 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间发表的论文 | 第63-65页 |
| 致谢 | 第65页 |