| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第一章 绪论 | 第11-16页 |
| ·研究背景和意义 | 第11-12页 |
| ·研究现状 | 第12-13页 |
| ·主要内容 | 第13-14页 |
| ·组织结构 | 第14-16页 |
| 第二章 数据挖掘和离群点挖掘 | 第16-34页 |
| ·数据挖掘 | 第16-20页 |
| ·数据挖掘的定义 | 第16-17页 |
| ·数据挖掘的功能 | 第17-18页 |
| ·数据挖掘过程 | 第18-19页 |
| ·数据挖掘的发展前景 | 第19-20页 |
| ·离群点挖掘概述 | 第20-23页 |
| ·离群点产生原因 | 第20页 |
| ·离群点定义及相关问题 | 第20-22页 |
| ·离群点检测的应用 | 第22-23页 |
| ·传统离群点挖掘算法概述 | 第23-29页 |
| ·基于统计的离群点挖掘算法 | 第23-24页 |
| ·基于深度的离群点挖掘算法 | 第24页 |
| ·基于距离的离群点挖掘算法 | 第24-25页 |
| ·基于密度的离群点挖掘算法 | 第25-28页 |
| ·基于聚类的离群点检测算法 | 第28-29页 |
| ·离群点挖掘研究热点及发展趋势 | 第29-33页 |
| ·高维大数据集中离群点的挖掘 | 第29-31页 |
| ·空间离群点的挖掘 | 第31-32页 |
| ·时序离群点的挖掘 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 相关技术 | 第34-43页 |
| ·数据预处理 | 第34-38页 |
| ·数据清理 | 第34-35页 |
| ·数据集成和变换 | 第35-36页 |
| ·数据归约 | 第36-38页 |
| ·高维空间中相似性度量方法 | 第38-40页 |
| ·数据挖掘中的抽样技术 | 第40-42页 |
| ·抽样的特性 | 第40页 |
| ·抽样在数据挖掘中的问题 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 面向高维的降维及离群点挖掘算法的研究 | 第43-57页 |
| ·高维数据的特点 | 第43-44页 |
| ·稀疏性 | 第43页 |
| ·空空间现象(empty space phenomenon) | 第43-44页 |
| ·维灾(the curse of dimensionality) | 第44页 |
| ·高维索引结构 | 第44-45页 |
| ·PCA及LLE降维方法 | 第45-49页 |
| ·PCA算法 | 第45-47页 |
| ·LLE算法 | 第47-49页 |
| ·Ad-LLE降维算法 | 第49-54页 |
| ·属性划分方法概述 | 第50-51页 |
| ·相关定义 | 第51-52页 |
| ·算法过程 | 第52-54页 |
| ·基于Ad-LLE降维的离群点挖掘算法 | 第54-56页 |
| ·算法描述 | 第54页 |
| ·实验分析 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第五章 离群点快速挖掘算法的研究 | 第57-73页 |
| ·相关分析 | 第57-58页 |
| ·离群点快速挖掘算法的研究 | 第58-63页 |
| ·相关定义及性质 | 第59-61页 |
| ·Fast-OD算法 | 第61-62页 |
| ·算法复杂度分析 | 第62-63页 |
| ·剪枝策略对算法性能的影响 | 第63-65页 |
| ·受影响对象 | 第63页 |
| ·小数据分析 | 第63-65页 |
| ·实际数据测试和分析 | 第65-69页 |
| ·GT和LT_(N(yi))的抽样学习 | 第69-72页 |
| ·抽样技术 | 第69-70页 |
| ·抽样后算法性能变化 | 第70-71页 |
| ·实例分析 | 第71-72页 |
| ·本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| ·工作总结 | 第73-74页 |
| ·进一步工作 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-84页 |
| 攻读硕士学位期间发表的学术论文 | 第84页 |