| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外的研究现状 | 第11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.4 本文的结构 | 第12-13页 |
| 第2章 模糊集合及聚类分析相关理论 | 第13-27页 |
| 2.1 模糊集的基本理论 | 第13-15页 |
| 2.1.1 模糊集合的相关概念 | 第13-14页 |
| 2.1.2 模糊集合的表示方法 | 第14页 |
| 2.1.3 模糊集合间的距离 | 第14-15页 |
| 2.2 模糊聚类 | 第15-21页 |
| 2.2.1 模糊聚类分析的数学模型 | 第15-17页 |
| 2.2.2 模糊聚类数据标准化 | 第17页 |
| 2.2.3 建立相似关系 | 第17-20页 |
| 2.2.4 最佳阈值的确定 | 第20-21页 |
| 2.3 硬C-均值(HCM)聚类算法 | 第21-22页 |
| 2.4 模糊C-均值(FCM)聚类算法 | 第22-27页 |
| 2.4.1 目标函数的确定及数据集的划分 | 第22-23页 |
| 2.4.2 FCM算法介绍 | 第23-24页 |
| 2.4.3 模糊C均值聚类算法的实现步骤 | 第24-25页 |
| 2.4.4 模糊C均值聚类算法的优缺点分析 | 第25-27页 |
| 第3章 基于信息熵属性加权的模糊C-均值聚类算法 | 第27-34页 |
| 3.1 基于信息熵的FCM算法 | 第27-29页 |
| 3.1.1 信息熵理论 | 第27-28页 |
| 3.1.2 类合并算法 | 第28页 |
| 3.1.3 基于信息熵的FCM算法流程图 | 第28-29页 |
| 3.2 基于信息熵属性加权的FCM算法 | 第29-34页 |
| 3.2.1 算法的基本思想 | 第29页 |
| 3.2.2 属性加权 | 第29-33页 |
| 3.2.3 算法的具体步骤 | 第33-34页 |
| 第4章 基于信息熵属性加权模糊C-均值算法的大学生心理健康分析 | 第34-54页 |
| 4.1 大学生心理健康 | 第34-35页 |
| 4.1.1 心理健康涵义 | 第34页 |
| 4.1.2 大学生人格问卷 | 第34页 |
| 4.1.3 SCL--90症状自评表 | 第34-35页 |
| 4.2 基于信息熵属性加权FCM算法的实现与分析 | 第35-48页 |
| 4.2.1 数据集的来源 | 第35页 |
| 4.2.2 数据预处理 | 第35-39页 |
| 4.2.3 算法实现流程图 | 第39页 |
| 4.2.4 实验与应用 | 第39-48页 |
| 4.3 聚类的结果分析 | 第48-54页 |
| 4.3.1 FCM算法与基于信息熵属性加权的FCM算法的聚类结果比较 | 第48-52页 |
| 4.3.2 各心理健康因素对聚类结果的影响 | 第52-54页 |
| 第5章 结论与展望 | 第54-55页 |
| 5.1 论文的主要工作 | 第54页 |
| 5.2 展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-58页 |
| 攻读学位期间获得与学位论文相关的科研成果 | 第58页 |