| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 论文的选题背景和研究意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 聚类技术研究概况 | 第11-12页 |
| 1.2.2 聚类有效性 | 第12-13页 |
| 1.3 本文研究内容及组织结构 | 第13-15页 |
| 第二章 机器学习与电信业用户行为分析简介 | 第15-23页 |
| 2.1 机器学习简介 | 第15-20页 |
| 2.1.1 机器学习的任务 | 第15-17页 |
| 2.1.2 机器学习的种类 | 第17-18页 |
| 2.1.3 经典机器学习方法 | 第18-20页 |
| 2.2 电信网络中用户行为分析介绍 | 第20-23页 |
| 2.2.1 户行为分析的定义 | 第20页 |
| 2.2.2 用户行为分析的研究内容 | 第20-21页 |
| 2.2.3 用户行为分析的必要性 | 第21-23页 |
| 第三章 聚类技术 | 第23-36页 |
| 3.1 聚类分析 | 第23-26页 |
| 3.1.1 聚类简介 | 第23-24页 |
| 3.1.2 聚类分析的要求和目标 | 第24页 |
| 3.1.3 基本聚类方法 | 第24-25页 |
| 3.1.4 模糊聚类 | 第25-26页 |
| 3.2 常用聚类算法介绍 | 第26-33页 |
| 3.2.1 k-均值算法 | 第26-29页 |
| 3.2.2 凝聚层次聚类算法 | 第29-31页 |
| 3.2.3 DBSCAN算法 | 第31-32页 |
| 3.2.4 模糊聚类 | 第32-33页 |
| 3.3 聚类分析的一般过程 | 第33-36页 |
| 第四章 一种基于频繁模式的聚类有效性指数 | 第36-54页 |
| 4.1 聚类有效性概述 | 第36-37页 |
| 4.2 常见的聚类有效性指数 | 第37-41页 |
| 4.3 一种基于频繁模式的聚类有效性指数 | 第41-45页 |
| 4.3.1 基本理论思想 | 第41-42页 |
| 4.3.2 一种基于频繁模式的聚类有效性指数 | 第42-44页 |
| 4.3.3 一种自适应的聚类方法 | 第44页 |
| 4.3.4 相关问题讨论 | 第44-45页 |
| 4.4 仿真分析 | 第45-54页 |
| 4.4.1 仿真环境 | 第45页 |
| 4.4.2 实验数据集 | 第45-47页 |
| 4.4.3 仿真实验结果 | 第47-54页 |
| 第五章 提出的FPCVI算法在用户行为分析上的应用 | 第54-59页 |
| 5.1 移动业务数据 | 第54页 |
| 5.2 软硬件环境介绍 | 第54-55页 |
| 5.3 FPCVI的时间效率与空间效率的平衡 | 第55-56页 |
| 5.4 用户行为分析实例 | 第56-59页 |
| 5.4.1 SGSN自适应聚类分析 | 第56-57页 |
| 5.4.2 位置区码自适应聚类分析 | 第57-59页 |
| 第六章 总结与展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 附录1 英文缩写说明 | 第63-64页 |
| 附录2 线性归一化方法 | 第64-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间发表或已经录用的学术论文 | 第66页 |