| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题的研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 简单匹配法 | 第10-11页 |
| 1.2.2 共现的方法 | 第11页 |
| 1.2.3 概率性和信息理论的方法 | 第11-12页 |
| 1.3 课题的研究目的与实际意义 | 第12页 |
| 1.4 课题的研究内容及组织结构 | 第12-14页 |
| 第二章 聚类分析及相关理论 | 第14-20页 |
| 2.1 聚类分析概述 | 第14页 |
| 2.2 聚类分析中的数据类型 | 第14-15页 |
| 2.3 聚类分析中的相异度度量 | 第15-18页 |
| 2.4 分类数据中聚类分析的一些问题 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 K-modes聚类算法 | 第20-27页 |
| 3.1 k-modes算法思想 | 第20页 |
| 3.2 k-modes算法 | 第20-22页 |
| 3.3 k-mode算法的优缺点 | 第22-23页 |
| 3.4 k-modes算法的改进现状 | 第23-26页 |
| 3.4.1 现有k-modes算法的拓展 | 第23-24页 |
| 3.4.2 现有基于相异度度量改进的k-modes算法 | 第24-25页 |
| 3.4.3 现有基于初始类中心方法改进的k-modes算法 | 第25-26页 |
| 3.5 本章小结 | 第26-27页 |
| 第四章 基于相互依存冗余度量的k-modes算法 | 第27-35页 |
| 4.1 互信息的相关理论 | 第27-28页 |
| 4.2 基于相互依存冗余度量的距离度量 | 第28-30页 |
| 4.3 基于相互依存冗余度量的k-modes算法 | 第30-31页 |
| 4.4 实验分析 | 第31-33页 |
| 4.4.1 实验环境 | 第31页 |
| 4.4.2 评价方法 | 第31-32页 |
| 4.4.3 实验结果 | 第32-33页 |
| 4.5 本章小结 | 第33-35页 |
| 第五章 基于新的相异度度量的k-modes算法 | 第35-42页 |
| 5.1 分类属性的相异度度量 | 第35-37页 |
| 5.2 改进后k-modes算法的复杂度分析 | 第37-38页 |
| 5.3 实验分析 | 第38-41页 |
| 5.3.1 评价方法 | 第38页 |
| 5.3.2 实验结果 | 第38-41页 |
| 5.4 本章小结 | 第41-42页 |
| 结论 | 第42-44页 |
| 参考文献 | 第44-48页 |
| 攻读学位期间发表的学术论文 | 第48-50页 |
| 致谢 | 第50页 |