| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 数据流挖掘的背景与意义 | 第11-12页 |
| 1.2 数据流挖掘的研究现状与发展 | 第12-15页 |
| 1.2.1 数据流聚类 | 第12-13页 |
| 1.2.2 数据流分类 | 第13-14页 |
| 1.2.3 数据流频繁项集挖掘 | 第14页 |
| 1.2.4 数据流挖掘的发展 | 第14-15页 |
| 1.3 数据流挖掘的应用 | 第15-16页 |
| 1.4 论文内容和组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第2章 数据流聚类 | 第18-33页 |
| 2.1 聚类概述 | 第18-19页 |
| 2.2 数据流聚类基本定义和概述 | 第19-21页 |
| 2.2.1 数据流的定义 | 第19页 |
| 2.2.2 数据流的特点 | 第19-20页 |
| 2.2.3 传统数据与数据流的比较 | 第20-21页 |
| 2.3 数据流相似性度量 | 第21-24页 |
| 2.3.1 数据的类型 | 第21-22页 |
| 2.3.2 距离的定义 | 第22-23页 |
| 2.3.3 非距离度量法 | 第23-24页 |
| 2.4 数据流处理技术 | 第24-27页 |
| 2.4.1 概要数据结构 | 第24-26页 |
| 2.4.2 时间倾斜技术 | 第26-27页 |
| 2.5 数据流聚类算法 | 第27-32页 |
| 2.5.1 数据流聚类算法的要求 | 第28-30页 |
| 2.5.2 数据流聚类算法简介 | 第30-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 基于区间数的不确定数据流 2k近邻 聚类算法 | 第33-44页 |
| 3.1 不确定数据流聚类概述 | 第33-35页 |
| 3.1.1 不确定数据流产生的原因 | 第33页 |
| 3.1.2 不确定性对数据流聚类的影响 | 第33-34页 |
| 3.1.3 不确定数据流聚类相关研究 | 第34-35页 |
| 3.2 不确定数据模型 | 第35-37页 |
| 3.3 UIDS tre am算法 | 第37-40页 |
| 3.3.1 在线 2k-近邻微簇的生成算法 | 第38页 |
| 3.3.2 最优 2k-近邻微簇的生成算法 | 第38-39页 |
| 3.3.3 最优 2k-近邻微簇的离线聚类算法 | 第39-40页 |
| 3.4 实验与分析 | 第40-43页 |
| 3.4.1 实验所用数据集 | 第40-41页 |
| 3.4.2 实验比较 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 一种基于时间衰减的数据流聚类算法 | 第44-56页 |
| 4.1 引言 | 第44-45页 |
| 4.1.1 数据流聚类 | 第44-45页 |
| 4.1.2 时间衰减对数据流聚类的影响 | 第45页 |
| 4.1.3 研究的动机与意义 | 第45页 |
| 4.2 相关概念 | 第45-47页 |
| 4.3 相似度计算方法 | 第47-48页 |
| 4.3.1 数据对象与微簇的相似度 | 第47页 |
| 4.3.2 微簇与微簇之间的相似度 | 第47-48页 |
| 4.4 TF-Stre am算 法 | 第48-51页 |
| 4.4.1 TF-Stream在线微聚类算法 | 第48-49页 |
| 4.4.2 TF-Stream离线宏聚类算法 | 第49-51页 |
| 4.5 实验与分析 | 第51-55页 |
| 4.5.1 实验所用数据集 | 第51页 |
| 4.5.2 实验比较 | 第51-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间参加的科研项目和成果 | 第62页 |