| 第1章 引言 | 第1-16页 |
| 1．1 论文研究的目的和意义 | 第10-11页 |
| 1．2 国内外的研究及发展趋势 | 第11-15页 |
| 1．2．1 国内外的研究现状 | 第11-13页 |
| 1．2．2 发展趋势 | 第13-15页 |
| 1．3 本论文的主要工作 | 第15页 |
| 1．4 本文的结构 | 第15-16页 |
| 第2章 数据挖掘中的聚类分析 | 第16-33页 |
| 2．1 数据挖掘技术的概述 | 第16-20页 |
| 2．1．1 数据挖掘的概念 | 第16页 |
| 2．1．2 数据挖掘的系统结构和步骤 | 第16-18页 |
| 2．1．3 数据挖掘的功能 | 第18-20页 |
| 2．2 聚类分析的概述 | 第20-22页 |
| 2．2．1 聚类分析定义 | 第20-21页 |
| 2．2．2 基本数据结构 | 第21页 |
| 2．2．3 簇的定义 | 第21-22页 |
| 2．3 典型的聚类算法的研究 | 第22-32页 |
| 2．3．1 划分方法 | 第22-26页 |
| 2．3．2 层次方法 | 第26-28页 |
| 2．3．3 基于密度的方法 | 第28-30页 |
| 2．3．4 基于网格的方法 | 第30-31页 |
| 2．3．5 基于模型的方法 | 第31-32页 |
| 2．4 本章小结 | 第32-33页 |
| 第3章 共享最近邻的聚类方法 | 第33-47页 |
| 3．1 基于共享最近邻的相似度和密度度量 | 第33-39页 |
| 3．1．1 基本相似度度量 | 第33-38页 |
| 3．1．2 基于共享最近邻的相似度 | 第38-39页 |
| 3．1．3 基于共享最近邻的密度度量 | 第39页 |
| 3．2 聚类 J-P方法概述 | 第39-42页 |
| 3．2．1 J-P算法的基本思想 | 第40页 |
| 3．2．2 J-P方法的步骤 | 第40-42页 |
| 3．3 共享最近邻的聚类算法 | 第42-46页 |
| 3．3．1 算法概述 | 第42-44页 |
| 3．3．2 算法流程 | 第44-45页 |
| 3．3．3 算法复杂度分析 | 第45-46页 |
| 3．4 本章小结 | 第46-47页 |
| 第4章 园林绿地的景观适宜性评价指标体系 | 第47-56页 |
| 4．1 园林绿地景观适宜度理论及评价的指标 | 第47-50页 |
| 4．2 园林绿地评价信息的提取 | 第50页 |
| 4．3 环境适应性、环境协调性、生态功能、美学功能指标定量与分析 | 第50-55页 |
| 4．3．1 二氧化硫和粉尘(TSP)浓度的预测和分级 | 第50-52页 |
| 4．3．2 土壤硬度和土壤厚度的测定和分级 | 第52-53页 |
| 4．3．3 综合污染指数、人口密度、郁闭度和可达性的测定和分级 | 第53-54页 |
| 4．3．4 斑块绿量、斑块面积和斑块连接度的测定和分级 | 第54-55页 |
| 4．3．5 树种丰富度、季相变化和树种配置 | 第55页 |
| 4．4 本章小结 | 第55-56页 |
| 第5章 聚类算法实现及在景观适宜性评价中的应用 | 第56-66页 |
| 5．1 改进的聚类算法的实现 | 第56-58页 |
| 5．1．1 相似度矩阵的计算 | 第56-57页 |
| 5．1．2 共享最近邻图的构造 | 第57页 |
| 5．1．3 代表点确定和噪音的去除 | 第57-58页 |
| 5．1．4 簇的形成 | 第58页 |
| 5．2 算法的性能测试 | 第58-60页 |
| 5．3 共享最近邻算法用于适宜度评价的实现 | 第60-65页 |
| 5．3．1 算法的实现 | 第60-61页 |
| 5．3．2 实验结果与分析 | 第61-65页 |
| 5．4 本章小结 | 第65-66页 |
| 第6章 总结 | 第66-68页 |
| 6．1 研究总结 | 第66-67页 |
| 6．2 进一步的工作 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 致谢与声明 | 第71-72页 |
| 在学期间发表的学术论文 | 第72页 |
