数据挖掘中的聚类算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-15页 |
| ·数据挖掘概述 | 第7-8页 |
| ·国内外研究现状 | 第8-10页 |
| ·数据挖掘的应用与发展趋势 | 第10-12页 |
| ·选题的科学意义 | 第12页 |
| ·本文内容及结构安排 | 第12-15页 |
| 2 聚类分析技术 | 第15-35页 |
| ·聚类分析概述 | 第15-17页 |
| ·聚类分析中的数据结构和数据类型 | 第17-21页 |
| ·聚类分析中的数据结构 | 第17页 |
| ·聚类分析中的数据类型 | 第17-21页 |
| ·传统聚类算法 | 第21-31页 |
| ·基于划分的方法 | 第21-25页 |
| ·基于层次的方法 | 第25-27页 |
| ·基于密度的方法 | 第27-29页 |
| ·基于网格的方法 | 第29页 |
| ·基于模型的方法 | 第29-30页 |
| ·几种常用算法的性能比较 | 第30-31页 |
| ·扩展聚类算法 | 第31-33页 |
| ·模糊聚类算法 | 第31-32页 |
| ·综合聚类算法 | 第32-33页 |
| ·新的对象的聚类方法 | 第33页 |
| ·聚类在数据挖掘中的应用 | 第33页 |
| ·本章小结 | 第33-35页 |
| 3 k-means算法及改进 | 第35-47页 |
| ·k-means算法的思想及流程 | 第35-36页 |
| ·原始k-means算法 | 第35页 |
| ·使用平均误差准则函数的k-means算法 | 第35-36页 |
| ·k-means算法的特点及面临的主要挑战 | 第36-38页 |
| ·k-means算法的初值依赖性 | 第38-39页 |
| ·初值依赖性分析 | 第38页 |
| ·实验分析 | 第38-39页 |
| ·选取初值的现有方法 | 第39-41页 |
| ·k-means改进算法 | 第41-44页 |
| ·基于密度的思想 | 第41页 |
| ·改进算法的思想 | 第41-42页 |
| ·改进的初始聚类中心选择算法 | 第42-44页 |
| ·实验结果与分析 | 第44-45页 |
| ·本章小结 | 第45-47页 |
| 4 模糊c均值算法及其改进 | 第47-59页 |
| ·模糊c均值聚类算法 | 第47-49页 |
| ·FCM算法分析 | 第49-53页 |
| ·一种改进的模糊c均值算法 | 第53-55页 |
| ·对聚类数目c的优选 | 第53-54页 |
| ·提高FCM算法的收敛速度 | 第54页 |
| ·初始聚类中心的选择 | 第54页 |
| ·改进的FCM算法具体步骤 | 第54-55页 |
| ·实验结果及分析 | 第55-57页 |
| ·本章小节 | 第57-59页 |
| 5 结论与展望 | 第59-61页 |
| ·结论 | 第59页 |
| ·研究展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-66页 |
