数据挖掘技术中聚类算法的研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-12页 |
| ·研究背景及研究意义 | 第7-9页 |
| ·数据挖掘的产生和发展 | 第7-8页 |
| ·数据挖掘中的聚类分析 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·基于划分的聚类方法 | 第9页 |
| ·基于层次的聚类方法 | 第9页 |
| ·基于网格和密度的聚类方法 | 第9-10页 |
| ·其他聚类算法 | 第10页 |
| ·本文的研究内容和结构安排 | 第10-12页 |
| 第二章 聚类算法 | 第12-27页 |
| ·聚类算法的基本概念 | 第12-15页 |
| ·聚类定义 | 第12页 |
| ·距离和相似性度量 | 第12-14页 |
| ·类间的测度距离 | 第14-15页 |
| ·主要的聚类方法 | 第15-22页 |
| ·划分聚类方法 | 第16-18页 |
| ·层次聚类方法 | 第18-20页 |
| ·密度聚类方法 | 第20-21页 |
| ·网格聚类方法 | 第21页 |
| ·模型聚类方法 | 第21-22页 |
| ·聚类算法的比较 | 第22-23页 |
| ·聚类方法的评价 | 第23-26页 |
| ·聚类的准确度 | 第23-25页 |
| ·聚类的同构度和异构度 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于均衡化函数的K-MEANS 算法 | 第27-36页 |
| ·引言 | 第27页 |
| ·传统的K-MEANS 算法 | 第27-28页 |
| ·算法基本思想及步骤 | 第27-28页 |
| ·算法的性能分析 | 第28页 |
| ·聚类有效性函数 | 第28-30页 |
| ·评价函数 | 第28-29页 |
| ·一种新的评价函数-均衡化函数 | 第29-30页 |
| ·初始中心点选取方法 | 第30-31页 |
| ·常用的聚类初始方法 | 第30-31页 |
| ·基于密度的初始中心选择算法 | 第31页 |
| ·基于均衡化函数的K-MEANS 优化算法 | 第31-32页 |
| ·实验 | 第32-35页 |
| ·Weka 机器学习平台 | 第32页 |
| ·人工数据 | 第32-34页 |
| ·真实数据 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第四章 初始化独立的谱聚类算法 | 第36-48页 |
| ·引言 | 第36页 |
| ·谱图理论 | 第36-42页 |
| ·谱图划分准则 | 第36-38页 |
| ·谱聚类算法 | 第38-40页 |
| ·谱聚类理论分析 | 第40-42页 |
| ·初始化独立的谱聚类算法 | 第42-44页 |
| ·K-Harmonic Means（KHM）算法 | 第42-43页 |
| ·改进算法（SC-KHM） | 第43-44页 |
| ·仿真实验 | 第44-47页 |
| ·人工数据 | 第44-45页 |
| ·真实数据 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-57页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第57页 |
