聚类算法在电力大客户行为分析中的研究与应用
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-14页 |
| ·课题背景及意义 | 第10页 |
| ·国内外研究现状 | 第10-12页 |
| ·数据挖掘现状 | 第10-11页 |
| ·聚类国内外研究动态 | 第11-12页 |
| ·论文的主要工作 | 第12页 |
| ·论文架构 | 第12-14页 |
| 第2章 相关理论和方法研究 | 第14-25页 |
| ·数据挖掘知识概述 | 第14-18页 |
| ·数据挖掘定义 | 第14页 |
| ·数据挖掘的一般过程 | 第14-15页 |
| ·数据挖掘的任务 | 第15-16页 |
| ·数据挖掘的常用技术 | 第16-17页 |
| ·数据挖掘的应用领域 | 第17-18页 |
| ·聚类分析基本概念 | 第18-21页 |
| ·聚类定义 | 第18-19页 |
| ·聚类分析的数据类型 | 第19-21页 |
| ·主要聚类方法及其研究进展 | 第21-24页 |
| ·基于划分的方法 | 第21页 |
| ·基于层次的方法 | 第21-22页 |
| ·基于密度的方法 | 第22页 |
| ·基于网格的方法 | 第22页 |
| ·基于模型的方法 | 第22-23页 |
| ·几种聚类方法的比较 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 经典聚类算法比较 | 第25-32页 |
| ·K-MEANS 算法介绍 | 第25-27页 |
| ·算法思想及流程 | 第25-26页 |
| ·算法的特点和不足 | 第26-27页 |
| ·DBSCAN 聚类算法 | 第27-30页 |
| ·算法思想 | 第27页 |
| ·算法分析 | 第27-28页 |
| ·算法具体实现 | 第28-30页 |
| ·算法优点及不足 | 第30页 |
| ·两种经典算法的比较 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第4章 K-means 算法的改进 | 第32-42页 |
| ·K-MEANS 算法的一种改进 | 第32-35页 |
| ·改进思路 | 第32-33页 |
| ·改进算法的流程 | 第33页 |
| ·改进算法的实验分析 | 第33-35页 |
| ·改进算法的综合分析 | 第35页 |
| ·基于动态网格生成技术的 K-MEANS 算法 | 第35-41页 |
| ·算法背景 | 第35页 |
| ·相关概念 | 第35-36页 |
| ·算法描述 | 第36-37页 |
| ·算法流程 | 第37-38页 |
| ·实验分析算法可行性 | 第38-39页 |
| ·算法的时间复杂度分析 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第5章 聚类算法在电力大客户行为分析中的应用 | 第42-48页 |
| ·需求分析 | 第42-43页 |
| ·数据探索 | 第43页 |
| ·数据抽取与数据预处理 | 第43-45页 |
| ·数据抽取 | 第43-44页 |
| ·数据预处理 | 第44-45页 |
| ·数据建模及聚类结果 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第6章 结论与展望 | 第48-49页 |
| ·本文结论 | 第48页 |
| ·未来的展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 攻读硕士学位期间发表的论文 | 第52-53页 |
| 致谢 | 第53页 |
