| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-12页 |
| ·数据挖掘的研究现状 | 第8-9页 |
| ·本文的研究内容 | 第9-10页 |
| ·本文的结构 | 第10-12页 |
| 第二章 数据挖掘概述 | 第12-23页 |
| ·数据挖掘产生的背景 | 第12-14页 |
| ·数据膨胀的时代 | 第12页 |
| ·数据库的发展历程 | 第12-13页 |
| ·数据挖掘技术的产生 | 第13-14页 |
| ·数据挖掘技术 | 第14-18页 |
| ·数据挖掘技术的概念 | 第14-15页 |
| ·数据挖掘的主要功能 | 第15-17页 |
| ·数据挖掘的应用领域 | 第17-18页 |
| ·数据挖掘的处理对象 | 第18-23页 |
| ·数据挖掘的过程模型 | 第18-19页 |
| ·数据预处理 | 第19页 |
| ·处理对象的数据结构 | 第19-20页 |
| ·变量的类型及相异度的计算 | 第20-21页 |
| ·距离定义 | 第21-23页 |
| 第三章 聚类分析方法 | 第23-36页 |
| ·聚类分析简介 | 第23页 |
| ·类间距离的定义 | 第23-29页 |
| ·最短距离法 | 第24-25页 |
| ·最长距离法 | 第25-26页 |
| ·中间距离法 | 第26页 |
| ·重心法 | 第26-27页 |
| ·类间距离汇总比较 | 第27-29页 |
| ·主要的聚类方法 | 第29-34页 |
| ·基于划分的方法(partition-based method) | 第29页 |
| ·基于层次的方法(hierarchy-based method) | 第29-30页 |
| ·基于密度的方法(density-based method) | 第30-31页 |
| ·基于网格的方法(grid-based method) | 第31页 |
| ·基于模型的方法(model-based method) | 第31-32页 |
| ·神经网络方法 | 第32页 |
| ·遗传算法 | 第32-33页 |
| ·聚类算法比较 | 第33-34页 |
| ·聚类改进方向 | 第34-36页 |
| 第四章 基于层次的万有引力聚类算法(HGBCA) | 第36-49页 |
| ·引入新的聚类标准 | 第36-38页 |
| ·距离聚类算法中的不足 | 第36-37页 |
| ·引入新标准的优点 | 第37-38页 |
| ·基于层次的万有引力聚类(HGBCA)算法 | 第38-43页 |
| ·UNION-FIND数据结构 | 第39-40页 |
| ·几个相关定义 | 第40-41页 |
| ·HGBCA算法描述 | 第41-43页 |
| ·基于网格的万有引力聚类算法(GGBCA) | 第43-49页 |
| ·网格聚类(GBCA)算法 | 第43-44页 |
| ·基于网格的万有引力聚类算法(GGBCA)描述 | 第44-45页 |
| ·实验结果对比 | 第45-47页 |
| ·真实数据集 | 第47-49页 |
| 第五章 基于运动的引力聚类算法(MGBCA) | 第49-55页 |
| ·引言 | 第49页 |
| ·MGBCA概述 | 第49-55页 |
| ·MGBCA的主要思想 | 第49-50页 |
| ·MGBCA的运动特性 | 第50-51页 |
| ·MGBCA算法描述 | 第51-53页 |
| ·实验结果 | 第53-55页 |
| 第六章 粒子群模糊聚类算法(FPSO) | 第55-63页 |
| ·粒子群算法(PSO)概述 | 第56页 |
| ·PSO主要思想 | 第56-58页 |
| ·FCM算法思想 | 第58-59页 |
| ·粒子群模糊聚类算法(FPSO) | 第59-61页 |
| ·结果分析 | 第61-63页 |
| 第七章 总结与展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69页 |
| 作者攻读硕士期间发表文章 | 第69页 |
