| 第一章 引言 | 第1-11页 |
| 1．1 课题的研究背景和意义 | 第6-7页 |
| 1．2 选题依据 | 第7-8页 |
| 1．3 课题的主要研究目的、内容及创新点 | 第8-9页 |
| 1．4 论文的组织结构 | 第9-11页 |
| 第二章 数据挖掘技术 | 第11-16页 |
| 2．1 数据挖掘研究的现状 | 第11-12页 |
| 2．2 数据挖掘的任务 | 第12-14页 |
| 2．3 聚类算法的要求 | 第14-16页 |
| 第三章 聚类算法分析 | 第16-26页 |
| 3．1 划分聚类方法 | 第16-19页 |
| 3．1．1 k-平均算法 | 第16-17页 |
| 3．1．2 k-中心点算法 | 第17-18页 |
| 3．1．3 CLARANS 算法 | 第18页 |
| 3．1．4 k-中心点算法的不足 | 第18-19页 |
| 3．2 层次聚类方法 | 第19-21页 |
| 3．2．1 BIRCH 算法 | 第19-20页 |
| 3．2．2 CURE 算法 | 第20页 |
| 3．2．3 Chameleon 算法 | 第20-21页 |
| 3．3 基于密度的聚类方法 | 第21-23页 |
| 3．3．1 DBSCAN 算法 | 第21-22页 |
| 3．3．2 OPTICS 算法 | 第22页 |
| 3．3．3 DENCLUE 算法 | 第22-23页 |
| 3．4 基于网格的聚类方法 | 第23-25页 |
| 3．4．1 STING 算法 | 第23-24页 |
| 3．4．2 Wave Cluster 算法 | 第24页 |
| 3．4．3 CLIQUE 算法 | 第24-25页 |
| 3．5 基于模型的聚类方法 | 第25页 |
| 3．6 小结 | 第25-26页 |
| 第四章 一种自适应网格的聚类算法 | 第26-48页 |
| 4．1 相关工作 | 第26-29页 |
| 4．1．1 DBSCAN 算法 | 第26-28页 |
| 4．1．2 CLIQUE 算法 | 第28-29页 |
| 4．2 基于自适应网格的聚类算法(BAGCLU)的提出 | 第29-30页 |
| 4．3 BAGCLU 算法的具体说明 | 第30-41页 |
| 4．3．1 网格划分 | 第31-33页 |
| 4．3．2 网格编码 | 第33-34页 |
| 4．3．3 相邻网格的判断 | 第34-35页 |
| 4．3．4 聚类过程 | 第35-37页 |
| 4．3．5 区域查询 | 第37-38页 |
| 4．3．6 增量聚类 | 第38-41页 |
| 4．4 算法分析 | 第41-42页 |
| 4．4．1 时间复杂度分析 | 第41-42页 |
| 4．4．2 算法评价 | 第42页 |
| 4．5 实验结果 | 第42-44页 |
| 4．5．1 实验1 | 第43-44页 |
| 4．5．2 实验2 | 第44页 |
| 4．6 CLIQUE 算法的改进 | 第44-47页 |
| 4．6．1 算法改进的描述 | 第45-46页 |
| 4．6．2 改进算法的分析 | 第46-47页 |
| 4．7 小结 | 第47-48页 |
| 第五章 BAGCLU 算法在遥感影像信息提取中的应用 | 第48-55页 |
| 5．1 遥感影像分类 | 第48-50页 |
| 5．2 颜色特征分析 | 第50-51页 |
| 5．3 BAGCLU 算法在遥感影像分类中的应用 | 第51-52页 |
| 5．4 试验结果 | 第52-54页 |
| 5．5 小结 | 第54-55页 |
| 结束语 | 第55-56页 |
| 参考文献 | 第56-58页 |
| 致谢 | 第58-59页 |
| 个人简历、在学期间研究成果及发表的学术论文 | 第59页 |