| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容和组织结构 | 第13-14页 |
| 1.4 本文创新点 | 第14-16页 |
| 第2章 相关理论研究 | 第16-25页 |
| 2.1 聚类算法介绍 | 第16-21页 |
| 2.2 相似性度量方法 | 第21-22页 |
| 2.3 密度峰值算法 | 第22-23页 |
| 2.4 K近邻算法 | 第23-24页 |
| 2.5 聚类有效性评价指标 | 第24-25页 |
| 第3章 基于引力的密度峰值算法 | 第25-39页 |
| 3.1 引言 | 第25-27页 |
| 3.2 基于引力的密度峰值基本原理及具体步骤 | 第27-30页 |
| 3.2.1 计算每个数据点的密度并对其进行排序 | 第27-28页 |
| 3.2.2 计算引力参数,生成引力决策图 | 第28-29页 |
| 3.2.3 将数据点分配给相应的簇类 | 第29页 |
| 3.2.4 改进的K近邻算法识别异常点 | 第29-30页 |
| 3.2.5 GDPC算法流程图 | 第30页 |
| 3.3 对比实验 | 第30-36页 |
| 3.3.1 基于FM指标的GDPC性能测试 | 第31-32页 |
| 3.3.2 准确检测类簇个数 | 第32页 |
| 3.3.3 准确检测异常点 | 第32-34页 |
| 3.3.4 处理不同大小的数据集 | 第34-35页 |
| 3.3.5 处理不同密度的数据集 | 第35-36页 |
| 3.4 实验结果分析 | 第36-38页 |
| 3.5 本章小节 | 第38-39页 |
| 第4章 基于K-MEANS与引力密度峰值算法相结合的两阶段算法 | 第39-52页 |
| 4.1 引言 | 第39-40页 |
| 4.2 K-GDPC的基本原理和具体步骤 | 第40-44页 |
| 4.2.1 第一阶段:使用k-Means对数据集预处理 | 第41-42页 |
| 4.2.2 第二阶段:使用GDPC合并子集群 | 第42页 |
| 4.2.3 k-GDPC算法流程图 | 第42-44页 |
| 4.3 对比实验 | 第44-50页 |
| 4.3.1 k-GDPC在小型数据集上的测试 | 第44-49页 |
| 4.3.2 k-GDPC在中大型数据集上的测试 | 第49-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第5章 基于引力的密度峰值算法在股票市场中的应用 | 第52-56页 |
| 5.1 引言 | 第52-53页 |
| 5.2 数据选取 | 第53-54页 |
| 5.3 聚类结果分析 | 第54-56页 |
| 第6章 结论与展望 | 第56-58页 |
| 6.1 结论 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 作者简历 | 第63-64页 |
| 后记 | 第64页 |