| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 引言 | 第9-15页 |
| ·论文的研究背景 | 第9-12页 |
| ·选题意义 | 第12-13页 |
| ·研究内容 | 第13-14页 |
| ·论文结构安排 | 第14-15页 |
| 第二章 数据挖掘中的聚类分析 | 第15-38页 |
| ·数据挖掘的基础知识 | 第15-17页 |
| ·数据挖掘概念 | 第15-16页 |
| ·数据挖掘的方法 | 第16页 |
| ·数据挖掘的分类 | 第16-17页 |
| ·数据挖掘的主要步骤 | 第17页 |
| ·聚类分析相关基础 | 第17-26页 |
| ·聚类分析中的数据类型 | 第19-22页 |
| ·常用距离的算法 | 第22-26页 |
| ·数据挖掘中的主要聚类分析算法的比较 | 第26-37页 |
| ·基于划分的方法 | 第28-30页 |
| ·层次算法 | 第30-34页 |
| ·基于密度的聚类算法 | 第34页 |
| ·基于网格的聚类算法 | 第34-35页 |
| ·基于模型的方法 | 第35-36页 |
| ·聚类算法的性能比较 | 第36-37页 |
| ·小结 | 第37-38页 |
| 第三章 基于密度的DBSCAN算法的改进 | 第38-50页 |
| ·DBSCAN算法简介 | 第38-40页 |
| ·算法思想 | 第38-39页 |
| ·DBSCAN算法框架 | 第39-40页 |
| ·DBSCAN算法的缺点 | 第40-41页 |
| ·DBSCAN算法的改进 | 第41-47页 |
| ·已有的改进工作 | 第41-42页 |
| ·DBSCAN算法的改进思路 | 第42-43页 |
| ·基于数据分区的DBSCAN算法 | 第43-44页 |
| ·数据分区 | 第44-45页 |
| ·局部聚类 | 第45-46页 |
| ·局部聚类的合并 | 第46-47页 |
| ·算法讨论与实现 | 第47-48页 |
| ·实验结果与分析 | 第48-49页 |
| ·小结 | 第49-50页 |
| 第四章 k-means算法的初值选择方法的改进 | 第50-65页 |
| ·k-means算法 | 第50-51页 |
| ·k-means算法面临的问题 | 第51-52页 |
| ·改进的初始聚类中心选取方法 | 第52-56页 |
| ·初始聚类中心的选取 | 第52-54页 |
| ·改进初始聚类中心的K-means算法 | 第54-55页 |
| ·实验及结论 | 第55-56页 |
| ·k-means算法的K值的选择 | 第56-59页 |
| ·聚类的有效性及度量指标 | 第57-58页 |
| ·确定最佳聚类数目的算法 | 第58页 |
| ·实验结果及分析 | 第58-59页 |
| ·k-means聚类算法的初值选取方法的另一种改进 | 第59-63页 |
| ·遗传k-means算法 | 第59-60页 |
| ·遗传k-means算法的改进 | 第60-62页 |
| ·比较研究 | 第62-63页 |
| ·小结 | 第63-65页 |
| 第五章 聚类分析在学生成绩分析中的应用 | 第65-73页 |
| ·聚类的应用领域 | 第65页 |
| ·聚类目标 | 第65-66页 |
| ·原理和方法 | 第66-67页 |
| ·层次聚类算法处理的结果 | 第67-68页 |
| ·k-means算法聚类结果 | 第68-70页 |
| ·结果分析 | 第70-72页 |
| ·小结 | 第72-73页 |
| 第六章 论文总结 | 第73-75页 |
| ·论文的主要工作 | 第73页 |
| ·进一步努力的方向 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 附录 | 第79-81页 |
| 修改提纲 | 第81页 |