| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 绪论 | 第9-21页 |
| ·研究背景和选题意义 | 第9页 |
| ·聚类分析 | 第9-19页 |
| ·聚类分析的基本概念 | 第10页 |
| ·聚类分析的数据结构 | 第10-11页 |
| ·相似度的度量与准则函数 | 第11-13页 |
| ·聚类准则函数 | 第13-14页 |
| ·聚类分析的方法 | 第14-19页 |
| ·目前研究现状及发展方向 | 第19-20页 |
| ·聚类的研究现状 | 第19页 |
| ·基于多维数据聚类算法的研究现状 | 第19-20页 |
| ·本文主要上作及安排 | 第20-21页 |
| 第二章 基于特征权重的全局K-means算法 | 第21-39页 |
| ·引言 | 第21-22页 |
| ·LAW K-means算法 | 第22-24页 |
| ·Global K-means算法 | 第24-26页 |
| ·提出的Global Weighted K-means算法 | 第26-28页 |
| ·实验结果与分析 | 第28-37页 |
| ·数据集 | 第28-29页 |
| ·目标函数与无监督统计分析 | 第29-32页 |
| ·有监督统计分析 | 第32-33页 |
| ·稳定性分析 | 第33-34页 |
| ·属性权重分析 | 第34-36页 |
| ·运行时间的评估 | 第36-37页 |
| ·本章小结 | 第37-39页 |
| 第三章 基于熵权重的全局K-means算法 | 第39-53页 |
| ·引言 | 第39-40页 |
| ·Entropy Weighting K-means算法 | 第40-42页 |
| ·快速Global K-means算法 | 第42-43页 |
| ·提出的Global Entropy Weighted K-means算法 | 第43-45页 |
| ·实验结果与分析 | 第45-52页 |
| ·聚类结果的统计分析 | 第46-49页 |
| ·属性权重分析 | 第49-51页 |
| ·稳定性分析 | 第51页 |
| ·运行时间比较 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第四章 基于GPU的并行Global K-means算法 | 第53-71页 |
| ·引言 | 第53页 |
| ·相关概念 | 第53-55页 |
| ·图形处理器 | 第53-54页 |
| ·OpenCL标准 | 第54-55页 |
| ·提出的PGKM算法 | 第55-62页 |
| ·提出的PGKM_Mix算法 | 第56-58页 |
| ·提出的PGKM_IRG算法 | 第58-62页 |
| ·实验结果与分析 | 第62-69页 |
| ·测试数据集 | 第62-64页 |
| ·评价指标 | 第64页 |
| ·实验环境 | 第64-65页 |
| ·实验结果 | 第65-69页 |
| ·本章小结 | 第69-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 致谢 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 硕士期间成果 | 第79页 |
