| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题的背景和意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 主要研究内容及创新 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第2章 数据挖掘的相关技术 | 第17-28页 |
| 2.1 数据挖掘 | 第17-20页 |
| 2.1.1 数据挖掘常用的方法 | 第17-18页 |
| 2.1.2 数据挖掘的过程 | 第18-20页 |
| 2.2 聚类分析方法的概述 | 第20-22页 |
| 2.2.1 聚类分析对算法性能的要求 | 第21-22页 |
| 2.3 聚类分析中的数据类型 | 第22-24页 |
| 2.3.1 数据矩阵 | 第22页 |
| 2.3.2 聚类相似性度量 | 第22-24页 |
| 2.4 聚类分析中的主要算法 | 第24-27页 |
| 2.4.1 基于划分的聚类模型 | 第24页 |
| 2.4.2 基于层次的聚类模型 | 第24-25页 |
| 2.4.3 基于密度的聚类模型 | 第25-26页 |
| 2.4.4 基于网格的聚类模型 | 第26页 |
| 2.4.5 基于模型的聚类模型 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 文本聚类的相关技术 | 第28-37页 |
| 3.1 文本聚类预处理 | 第28-31页 |
| 3.1.1 分词或词根还原 | 第28-30页 |
| 3.1.2 停用词处理 | 第30页 |
| 3.1.3 特征选择 | 第30页 |
| 3.1.4 权重计算 | 第30-31页 |
| 3.2 文本表示的数学模型 | 第31-33页 |
| 3.2.1 布尔模型 | 第31页 |
| 3.2.2 概率检索模型 | 第31-32页 |
| 3.2.3 向量空间模型 | 第32-33页 |
| 3.3 文本聚类算法 | 第33-36页 |
| 3.3.1 层次凝聚算法 | 第34页 |
| 3.3.2 平面划分算法 | 第34页 |
| 3.3.3 k最近邻参照算法 | 第34-35页 |
| 3.3.4 贝叶斯算法 | 第35-36页 |
| 3.3.5 神经网络算法 | 第36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于初始权值改进的SOFM聚类算法研究 | 第37-53页 |
| 4.1 SOFM算法概述 | 第37-43页 |
| 4.1.1 SOFM算法的基本思想 | 第38-39页 |
| 4.1.2 SOFM聚类算法的数学描述 | 第39-42页 |
| 4.1.3 SOFM聚类算法的算法分析 | 第42-43页 |
| 4.2 现有的初始权值的选择方法 | 第43-44页 |
| 4.3 基于初始权值改进的SOFM聚类算法 | 第44-46页 |
| 4.4 仿真实验 | 第46-52页 |
| 4.4.1 实验语料集 | 第46-47页 |
| 4.4.2 预处理模块 | 第47-48页 |
| 4.4.3 特征表示模块 | 第48-49页 |
| 4.4.4 聚类算法模块 | 第49页 |
| 4.4.5 性能评价 | 第49-50页 |
| 4.4.6 实验及结果分析 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 基于PCA的SOFM聚类算法研究 | 第53-66页 |
| 5.1 文本聚类中的降维 | 第53-55页 |
| 5.1.1 文本聚类中降维的必要性 | 第53页 |
| 5.1.2 现有的文本聚类降维方法 | 第53-55页 |
| 5.2 基于PCA的SOFM文本聚类算法研究 | 第55-63页 |
| 5.2.1 主成分分析方法 | 第55-62页 |
| 5.2.2 基于PCA的SOFM文本聚类算法的基本思想 | 第62页 |
| 5.2.3 基于PCA的SOFM文本聚类算法 | 第62-63页 |
| 5.3 仿真实验 | 第63-65页 |
| 5.3.1 仿真实验模块 | 第63-64页 |
| 5.3.2 实验及结果分析 | 第64-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第73-74页 |
| 致谢 | 第74页 |