| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文研究工作 | 第14-17页 |
| 1.3.1 论文的内容组织 | 第14-15页 |
| 1.3.2 论文的创新点 | 第15-17页 |
| 第2章 聚类分析技术 | 第17-27页 |
| 2.1 聚类分析技术概述 | 第17-18页 |
| 2.2 聚类分析的数据类型 | 第18-19页 |
| 2.2.1 数据矩阵 | 第18页 |
| 2.2.2 相异矩阵 | 第18-19页 |
| 2.3 聚类算法的评价 | 第19-20页 |
| 2.3.1 Purity评价方法 | 第19页 |
| 2.3.2 RI评价 | 第19页 |
| 2.3.3 F值评价法 | 第19-20页 |
| 2.3.4 Entropy评价 | 第20页 |
| 2.4 聚类的一般步骤 | 第20-21页 |
| 2.5 主要聚类方法的分类 | 第21-23页 |
| 2.5.1 基于划分的方法 | 第21-22页 |
| 2.5.2 基于层次的方法 | 第22页 |
| 2.5.3 基于密度的方法 | 第22页 |
| 2.5.4 基于网络的方法 | 第22页 |
| 2.5.5 基于模型的方法 | 第22-23页 |
| 2.6 其它常见聚类算法 | 第23-24页 |
| 2.7 本章小结 | 第24-27页 |
| 第3章 非独立同分布学习 | 第27-35页 |
| 3.1 非独立同分布学习 | 第27-29页 |
| 3.2 基于独立同分布学习方法的局限 | 第29-30页 |
| 3.3 非独立同分布学习方法的框架 | 第30-32页 |
| 3.4 非独立同分布学习方法的相关研究 | 第32-33页 |
| 3.5 非独立同分布下k-means算法 | 第33-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 K-means算法初始中心点的改进 | 第35-47页 |
| 4.1 传统的k-means算法 | 第35-36页 |
| 4.2 现有初始中心点的选择方法 | 第36-37页 |
| 4.3 基于修改后Pearson相关系数的初始中心点的选择 | 第37-42页 |
| 4.3.1 对Pearson相关系数的修改 | 第37-39页 |
| 4.3.2 耦合关系 | 第39页 |
| 4.3.3 改进初始中心点的算法实现流程描述 | 第39-42页 |
| 4.4 实验结果与分析 | 第42-44页 |
| 4.5 本章小结 | 第44-47页 |
| 第5章 K-means算法相似性度量以及准则函数的改进 | 第47-63页 |
| 5.1 聚类分析中相似性度量方法 | 第47-49页 |
| 5.1.1 基于距离的相似性度量 | 第47-48页 |
| 5.1.2 基于相似性系数的度量 | 第48页 |
| 5.1.3 当前k-means算法距离度量的不足 | 第48-49页 |
| 5.2 聚类准则函数 | 第49-50页 |
| 5.2.1 误差平方和准则 | 第49页 |
| 5.2.2 加权平均平方距离和准则 | 第49-50页 |
| 5.2.3 类间距离和准则 | 第50页 |
| 5.2.4 当前聚类准则函数的研究 | 第50页 |
| 5.3 利用耦合关系进行相似性度量的改进 | 第50-54页 |
| 5.3.1 耦合关系分析 | 第51-52页 |
| 5.3.2 属性内耦合关系 | 第52页 |
| 5.3.3 属性间耦合关系 | 第52-53页 |
| 5.3.4 对象耦合关系分析 | 第53-54页 |
| 5.4 利用耦合关系进行聚类准则函数的改进 | 第54-55页 |
| 5.5 改进k-means算法的实现流程描述 | 第55-56页 |
| 5.6 实验结果与分析 | 第56-60页 |
| 5.7 本章小结 | 第60-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 本文总结 | 第63页 |
| 6.2 未来展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-73页 |
| 在学期间主要科研成果 | 第73页 |
| 一、发表学术论文 | 第73页 |
| 二、其它科研成果 | 第73页 |