| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文的主要研究内容 | 第12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 第二章 聚类分析 | 第13-26页 |
| 2.1 聚类算法中的数据结构和数据类型 | 第13-17页 |
| 2.1.1 数据结构 | 第13-14页 |
| 2.1.2 数据类型 | 第14-17页 |
| 2.2 聚类分析中的相似性度量 | 第17-19页 |
| 2.2.1 距离 | 第17-18页 |
| 2.2.2 相似系数 | 第18-19页 |
| 2.3 聚类分析中的聚类准则函数 | 第19-20页 |
| 2.4 经典的K-means聚类算法 | 第20-25页 |
| 2.4.1 K-means聚类算法介绍 | 第20-22页 |
| 2.4.2 K-means聚类算法的优缺点分析 | 第22-23页 |
| 2.4.3 现有对K-means聚类算法的改进 | 第23-25页 |
| 2.5 K-medoids算法 | 第25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 基于模糊和粗糙集理论的聚类算法 | 第26-35页 |
| 3.1 模糊K-means(FKM)聚类算法 | 第26-29页 |
| 3.1.1 模糊聚类 | 第26页 |
| 3.1.2 模糊K-means聚类算法描述 | 第26-28页 |
| 3.1.3 模糊K-means聚类算法分析 | 第28-29页 |
| 3.2 粗糙K-means(RKM)聚类算法 | 第29-31页 |
| 3.2.1 粗糙集理论 | 第29-30页 |
| 3.2.2 粗糙K-means聚类算法描述 | 第30页 |
| 3.2.3 粗糙K-means聚类算法分析 | 第30-31页 |
| 3.3 粗糙模糊K-means(RFKM)聚类算法 | 第31-33页 |
| 3.3.1 粗糙模糊K-means聚类算法描述 | 第31-33页 |
| 3.3.2 粗糙模糊K-means聚类算法分析 | 第33页 |
| 3.4 本章小结 | 第33-35页 |
| 第四章 模糊和粗糙模糊 K-means 聚类算法的改进 | 第35-47页 |
| 4.1 模糊K-means聚类算法改进 | 第35-41页 |
| 4.1.1 改进思路 | 第35页 |
| 4.1.2 AM度量介绍 | 第35-36页 |
| 4.1.3 AM度量替换欧式距离后聚类中心推导 | 第36-37页 |
| 4.1.4 改进的基于AM度量的模糊K-means算法(AFKM) | 第37-39页 |
| 4.1.5 改进后算法分析 | 第39-41页 |
| 4.2 粗糙模糊K-means聚类算法改进 | 第41-46页 |
| 4.2.1 改进思路 | 第41页 |
| 4.2.2 改进的基于AM度量的粗糙模糊K-means算法(ARFKM) | 第41-43页 |
| 4.2.3 修改隶属度约束条件的粗糙模糊K-means算法改进 | 第43-45页 |
| 4.2.4 改进后算法分析 | 第45-46页 |
| 4.3 本章小结 | 第46-47页 |
| 第五章 实验结果与分析 | 第47-61页 |
| 5.1 实验环境 | 第47页 |
| 5.2 实验数据集及预处理 | 第47-50页 |
| 5.2.1 实验数据集介绍 | 第47-48页 |
| 5.2.2 实验数据预处理 | 第48-49页 |
| 5.2.3 聚类评价指标 | 第49-50页 |
| 5.3 实验结果及分析 | 第50-58页 |
| 5.3.1 Iris数据集实验结果及分析 | 第50-55页 |
| 5.3.2 Waveform数据集实验结果及分析 | 第55-56页 |
| 5.3.3 Glass数据集实验结果及分析 | 第56-58页 |
| 5.4 实验总结 | 第58-61页 |
| 结论 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65页 |
