摘要 | 第1-7页 |
Abstract | 第7-12页 |
第1章 绪论 | 第12-27页 |
·研究目的及意义 | 第12-13页 |
·国内外研究现状 | 第13-22页 |
·经典聚类方法 | 第14-17页 |
·高维空间聚类算法 | 第17-19页 |
·带障碍约束的空间聚类算法 | 第19-21页 |
·多尺度空间聚类分析方法 | 第21-22页 |
·论文主要研究内容 | 第22-25页 |
·大规模空间数据集聚类分析方法 | 第22-23页 |
·高维空间聚类算法 | 第23-24页 |
·带障碍约束的空间聚类算法 | 第24页 |
·多尺度空间聚类算法 | 第24-25页 |
·论文的组织结构 | 第25-27页 |
第2章 空间数据挖掘及空间聚类 | 第27-47页 |
·空间数据挖掘相关技术 | 第27-31页 |
·空间数据挖掘的概念及特点 | 第27-28页 |
·空间数据挖掘发现的知识类型 | 第28-29页 |
·空间数据挖掘的体系结构 | 第29-30页 |
·空间数据挖掘的基本过程 | 第30-31页 |
·空间聚类相关技术 | 第31-39页 |
·空间聚类的概念及形式化描述 | 第31-34页 |
·空间聚类的基本过程 | 第34-38页 |
·空间聚类的基本原则 | 第38-39页 |
·空间数据及其特征 | 第39-46页 |
·空间数据类型 | 第39-40页 |
·空间数据关系 | 第40-41页 |
·空间数据模型 | 第41-45页 |
·空间数据复杂性特征 | 第45-46页 |
·本章小结 | 第46-47页 |
第3章 基于最优划分的海量空间数据聚类方法 | 第47-62页 |
·问题的提出 | 第47-48页 |
·相关研究工作 | 第48-51页 |
·K-Means算法概述 | 第48-49页 |
·K-Means算法存在的问题 | 第49-50页 |
·初始聚类中心选取方法 | 第50-51页 |
·基于最优划分的K-Means初始聚类中心选取方法 | 第51-60页 |
·最优划分的基本方法 | 第51-53页 |
·递归实现最优划分 | 第53-55页 |
·基于最优划分的初始聚类中心选取方法 | 第55-57页 |
·实验及结果分析 | 第57-60页 |
·本章小结 | 第60-62页 |
第4章 基于模糊扩展的高维空间聚类方法 | 第62-81页 |
·问题的提出 | 第62页 |
·相关研究工作 | 第62-70页 |
·高维空间数据特征 | 第62-63页 |
·高维空间聚类方法 | 第63-67页 |
·典型高维空间聚类算法 | 第67-69页 |
·模糊集理论 | 第69-70页 |
·基于模糊扩展的高维空间聚类算法 | 第70-80页 |
·网格模糊区域扩展及隶属度确定方案 | 第71-73页 |
·算法详细描述 | 第73-75页 |
·实验及结果分析 | 第75-80页 |
·本章小结 | 第80-81页 |
第5章 基于网格的带障碍空间分级聚类方法 | 第81-95页 |
·问题的提出 | 第81-83页 |
·相关研究工作 | 第83-85页 |
·带障碍聚类问题描述 | 第83页 |
·障碍多边形描述及预处理 | 第83-84页 |
·带障碍距离计算 | 第84-85页 |
·基于网格的带障碍空间分级聚类算法 | 第85-94页 |
·算法思想 | 第85-86页 |
·算法相关定义 | 第86-88页 |
·算法具体过程 | 第88-89页 |
·实验及结果分析 | 第89-94页 |
·本章小结 | 第94-95页 |
第6章 基于等密度线的多尺度空间聚类方法 | 第95-113页 |
·问题的提出 | 第95页 |
·相关研究工作 | 第95-101页 |
·广义尺度 | 第96页 |
·空间数据的尺度特征 | 第96-97页 |
·空间数据的尺度依赖 | 第97-98页 |
·尺度空间理论 | 第98-99页 |
·空间多尺度数据挖掘和聚类 | 第99-101页 |
·基于等密度线的多尺度空间聚类算法 | 第101-111页 |
·Di-MSSC算法思想 | 第101-103页 |
·Di-MSSC算法过程分析 | 第103-105页 |
·Di-MSSC算法描述 | 第105-107页 |
·实验及结果分析 | 第107-111页 |
·本章小结 | 第111-113页 |
结论 | 第113-115页 |
参考文献 | 第115-125页 |
攻读博士学位期间发表的论文和取得的科研成果 | 第125-127页 |
致谢 | 第127页 |