| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9-10页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 课题的研究背景与意义 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-21页 |
| 1.2.1 数据挖掘的发展状况 | 第17-18页 |
| 1.2.2 聚类分析算法的研究现状 | 第18-19页 |
| 1.2.3 基于密度的聚类算法的研究现状 | 第19-21页 |
| 1.3 主要的研究内容 | 第21-22页 |
| 1.4 论文的组织结构 | 第22-23页 |
| 第二章 基于密度的聚类算法 | 第23-35页 |
| 2.1 聚类分析算法的相关知识 | 第23-29页 |
| 2.1.1 聚类分析算法的概述 | 第23页 |
| 2.1.2 聚类分析算法的分类 | 第23-28页 |
| 2.1.3 聚类分析对算法性能的要求 | 第28-29页 |
| 2.2 基于密度聚类算法的经典算法DBSCAN | 第29-31页 |
| 2.3 基于DBSCAN算法上的改进 | 第31-34页 |
| 2.3.1 PDBSCAN算法 | 第31页 |
| 2.3.2 FDBSCAN算法 | 第31-32页 |
| 2.3.3 SDBSCAN算法 | 第32页 |
| 2.3.4 CURD算法 | 第32-33页 |
| 2.3.5 OPTICS算法 | 第33-34页 |
| 2.4 小结 | 第34-35页 |
| 第三章 一种基于参考点的快速密度聚类算法 | 第35-44页 |
| 3.1 引言 | 第35页 |
| 3.2 DCUR聚类算法的基本概念 | 第35-36页 |
| 3.3 DCUR聚类算法的思想过程 | 第36-41页 |
| 3.3.1 寻找k个参考点 | 第37-40页 |
| 3.3.2 参考点的分类 | 第40页 |
| 3.3.3 建立点、参考点、聚类的映射 | 第40-41页 |
| 3.4 DCUR聚类算法的时空复杂度分析 | 第41页 |
| 3.5 DCUR聚类算法仿真实验与分析 | 第41-43页 |
| 3.6 小结 | 第43-44页 |
| 第四章 一种基于K近邻和参考点的密度聚类算法 | 第44-51页 |
| 4.1 引言 | 第44页 |
| 4.2 DCKR聚类算法的基本概念 | 第44-46页 |
| 4.3 DCKR聚类算法的思想过程 | 第46-47页 |
| 4.4 DCKR聚类算法的步骤 | 第47-48页 |
| 4.5 DCKR聚类算法的时空复杂度分析 | 第48页 |
| 4.6 DCKR聚类算法的仿真实验与分析 | 第48-50页 |
| 4.6.1 DCKR和DBSCAN算法对处理不均匀数据集的聚类实验 | 第48-49页 |
| 4.6.2 DCKR和DBSCAN算法对输入参数变化的聚类实验 | 第49-50页 |
| 4.7 小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-52页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第56-57页 |