投影聚类算法及其应用的研究

摘要	第1-4页
Abstract	第4-7页
第一章 绪论	第7-12页
·研究背景	第7-9页
·研究现状	第9-10页
·研究内容	第10页
·论文基本结构	第10-12页
第二章 聚类分析	第12-21页
·聚类的定义	第12页
·相似性度量	第12-15页
·高维数据的内在特征及其对算法的影响	第15-16页
·聚类算法的要求	第16-17页
·聚类方法及算法综述	第17-20页
·本章小结	第20-21页
第三章 高维混合属性数据的投影聚类框架	第21-43页
·问题的提出	第21页
·数值型数据序列的离散化	第21-25页
·数值型数据序列分组的相关定义	第21-23页
·基于密度的分组方法(DGM)	第23-25页
·事务数据库的生成	第25-26页
·类别型数据集的聚类	第26-41页
·频繁模式增长挖掘频繁项集	第26-29页
·频繁模式树的改造	第29-32页
·改造FP-树的创建	第32-34页
·LFCI-增长挖掘最长频繁闭项集	第34-38页
·基于最长频繁闭项集的聚类算法（CA-LFCI）	第38-41页
·投影聚类框架	第41-42页
·本章小结	第42-43页
第四章 仿真实验及算法应用	第43-61页
·基于密度的分组方法（DGM）的实验	第43-49页
·模拟数据序列的生成	第43-44页
·确定DGM 的参数的实验	第44-47页
·验证DGM 有效性的实验	第47-49页
·基于最长频繁闭项集算法的实验	第49-55页
·模拟数据集的生成	第49-50页
·算法CA-LFCI 的伸缩性	第50-53页
·算法CA-LFCI 处理高维数据的能力	第53-54页
·算法CA-LFCI 的健壮性	第54-55页
·算法CA-LFCI 的应用	第55-59页
·算法在Votes 数据集上的应用	第55-58页
·算法在Mushroom 数据集上的应用	第58-59页
·算法CA-LFCI 实验结果的综合分析	第59-60页
·本章小结	第60-61页
第五章 总结与展望	第61-62页
致谢	第62-63页
参考文献	第63-66页
硕研期间发表的学术论文	第66页