| 1 、 高维聚类技术综述 | 第1-22页 |
| ·数据库知识发现 | 第9-13页 |
| ·数据库知识发现的产生与发展 | 第9-10页 |
| ·KDD的一般机理和理论基础 | 第10-11页 |
| ·KDD系统的基本框架 | 第11-12页 |
| ·KDD的主要任务 | 第12-13页 |
| ·聚类分析 | 第13-22页 |
| ·聚类问题的描述及主要方法 | 第14-16页 |
| ·高维聚类问题.. | 第16-20页 |
| ·高维聚类的关键技术 | 第20-22页 |
| 2 、 高维二元数据的映射聚类算法 | 第22-38页 |
| ·引言 | 第22页 |
| ·相关工作 | 第22-23页 |
| ·二元数据 | 第23-24页 |
| ·映射聚类的模型 | 第24-34页 |
| ·柏努利分布(Bernoulli distribution) | 第24-25页 |
| ·有限混合柏努利分布 | 第25页 |
| ·似然函数 | 第25-26页 |
| ·EM算法 | 第26-27页 |
| ·柏努利混合模型的EM算法 | 第27-28页 |
| ·基于混合模型的映射聚类思想 | 第28-34页 |
| ·映射聚类算法 | 第34-35页 |
| ·试验结果 | 第35-37页 |
| ·结论 | 第37-38页 |
| 3 、 高维数据空间的离群点检测方法研究 | 第38-50页 |
| ·概述 | 第38-40页 |
| ·高维空间中的离群点发现 | 第40-41页 |
| ·子空间离群点发现算法综述 | 第41-43页 |
| ·映射离群点发现的思考 | 第43-44页 |
| ·映射离群点发现算法的设计 | 第44-48页 |
| ·映射聚类算法 | 第44页 |
| ·关于熵的属性选择 | 第44-47页 |
| ·离散属性中离群点的确定 | 第47-48页 |
| ·簇外属性检测 | 第48页 |
| ·算法描述及分析 | 第48页 |
| ·结论 | 第48-50页 |
| 4 、 高维数据聚类结果的表示 | 第50-66页 |
| ·聚类结果表述方式概述 | 第50-53页 |
| ·数据可视化 | 第51-52页 |
| ·表达方式 | 第52-53页 |
| ·基于粗集理论的知识表示 | 第53-60页 |
| ·粗糙集基础理论 | 第54-57页 |
| ·属性空间上的routh集理论 | 第57-60页 |
| ·基于粗糙理论的聚类结果表达 | 第60-65页 |
| ·一般聚类知识的表达 | 第60-63页 |
| ·高维二元映射聚类结果的粗集表示 | 第63-65页 |
| ·结论 | 第65-66页 |
| 5 、 总结与展望 | 第66-68页 |
| ·本文完成的主要工作与贡献 | 第66-67页 |
| ·对今后工作的展望 | 第67-68页 |
| 参考文献 | 第68-76页 |
| 攻读硕士期间发表的论文及所取得的研究成果 | 第76-77页 |
| 致谢 | 第77页 |