| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及其意义 | 第10-11页 |
| 1.1.1 离群点挖掘技术的产生 | 第10-11页 |
| 1.1.2 离群点挖掘技术的研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 传统的离群点挖掘技术 | 第12-13页 |
| 1.2.2 新颖的离群点挖掘技术 | 第13-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 第2章 子空间离群点挖掘 | 第16-25页 |
| 2.1 子空间聚类 | 第16-20页 |
| 2.1.1 高维稀疏数据集的熵权重 k-means 算法 | 第17-18页 |
| 2.1.2 局部自适应度量的高维数据聚类 | 第18页 |
| 2.1.3 一个基于模糊 k-modes 的软子空间聚类算法 | 第18-20页 |
| 2.2 子空间离群点挖掘算法分析 | 第20-24页 |
| 2.2.1 基于信息论差异测量的子空间聚类和离群点检测算法 | 第20-21页 |
| 2.2.2 一种灵活和自适应子空间搜索的离群点检测算法 | 第21-22页 |
| 2.2.3 基于统计选择子空间的离群点检测算法 | 第22-23页 |
| 2.2.4 基于相关子空间的孤立点检测算法 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 基于累积全熵的子空间聚类算法 | 第25-40页 |
| 3.1 熵理论 | 第25-26页 |
| 3.2 信息熵在子空间挖掘中的应用 | 第26-28页 |
| 3.3 累积全熵测度子空间聚类 | 第28-36页 |
| 3.3.1 CMI 方法存在的不足 | 第28-29页 |
| 3.3.2 累积全熵的提出 | 第29-32页 |
| 3.3.3 累积全熵度量子空间聚类的实例 | 第32-36页 |
| 3.4 SUBCH 算法 | 第36-38页 |
| 3.4.1 算法思想 | 第36页 |
| 3.4.2 算法设计 | 第36-38页 |
| 3.4.3 算法分析 | 第38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 基于熵增量的子空间离群点挖掘算法 | 第40-50页 |
| 4.1 信息熵增量 | 第40-42页 |
| 4.1.1 基于信息熵增量进行离群点检测实例 | 第40-41页 |
| 4.1.2 熵离群度量因子的定义及其性质 | 第41-42页 |
| 4.2 可解释子空间 | 第42页 |
| 4.3 子空间属性的权重方差 | 第42-43页 |
| 4.4 度量标准的确定 | 第43-45页 |
| 4.4.1 属性权重 | 第43-44页 |
| 4.4.2 衡量聚类子空间的目标函数 | 第44页 |
| 4.4.3 熵离群度量因子的计算分析 | 第44-45页 |
| 4.5 SODEI 算法 | 第45-48页 |
| 4.5.1 算法描述 | 第45-48页 |
| 4.5.2 算法分析 | 第48页 |
| 4.6 本章小结 | 第48-50页 |
| 第5章 实验与分析 | 第50-58页 |
| 5.1 实验环境与实验数据 | 第50-51页 |
| 5.1.1 实验环境 | 第50页 |
| 5.1.2 实验数据 | 第50-51页 |
| 5.2 累积全熵的子空间聚类算法实验与分析 | 第51-53页 |
| 5.2.1 UCI 数据集 | 第51-53页 |
| 5.2.2 虚拟数据集 | 第53页 |
| 5.3 熵增量的子空间离群点挖掘算法实验与分析 | 第53-56页 |
| 5.3.1 UCI 数据集 | 第53-56页 |
| 5.3.2 虚拟数据集 | 第56页 |
| 5.4 本章小结 | 第56-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间承担的科研任务及主要成果 | 第64-65页 |
| 致谢 | 第65-66页 |
| 作者简介 | 第66页 |
