基于异常检测的改进K-means算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 论文的主要工作 | 第10页 |
| 1.4 论文的组织结构 | 第10-12页 |
| 2 聚类分析算法研究 | 第12-25页 |
| 2.1 聚类分析概述 | 第12-13页 |
| 2.1.1 聚类算法的概念与性质 | 第12页 |
| 2.1.2 类簇的定义 | 第12-13页 |
| 2.2 常用聚类方法 | 第13-15页 |
| 2.2.1 基于网络分布的聚类算法 | 第14页 |
| 2.2.2 基于划分的聚类算法 | 第14页 |
| 2.2.3 基于层次结构的聚类算法 | 第14-15页 |
| 2.3 原始K-means聚类算法 | 第15-16页 |
| 2.3.1 原始K-means算法介绍 | 第15页 |
| 2.3.2 K-means算法聚类流程 | 第15-16页 |
| 2.4 算法缺陷及现有改进方法 | 第16-18页 |
| 2.4.1 受离群点影响较大 | 第16-17页 |
| 2.4.2 对初始质心的选择依赖性强 | 第17页 |
| 2.4.3 现有改进方法 | 第17-18页 |
| 2.5 数据类型与相似度测量 | 第18-21页 |
| 2.5.1 聚类分析的数据类型 | 第18-19页 |
| 2.5.2 聚类算法的相似度测量 | 第19-21页 |
| 2.6 准则函数与评价方法 | 第21-24页 |
| 2.6.1 内部度量函数 | 第22页 |
| 2.6.2 外部度量函数 | 第22-23页 |
| 2.6.3 聚类结果评价方法 | 第23-24页 |
| 2.7 本章小结 | 第24-25页 |
| 3 K-means聚类算法改进 | 第25-36页 |
| 3.1 K-means算法改进方向 | 第25-26页 |
| 3.1.1 异常点隔离策略 | 第25页 |
| 3.1.2 初始聚类中心选择策略 | 第25-26页 |
| 3.2 数据异常度计算 | 第26-28页 |
| 3.2.1 异常度计算原理 | 第26页 |
| 3.2.2 异常度计算过程 | 第26-28页 |
| 3.3 离群过滤比与异常度系数阈值 | 第28-29页 |
| 3.3.1 离群值过滤比例 | 第28页 |
| 3.3.2 异常度系数阈值 | 第28-29页 |
| 3.4 初始聚类中心选取 | 第29页 |
| 3.5 改进K-means算法流程 | 第29-30页 |
| 3.6 实际聚类流程 | 第30-35页 |
| 3.6.1 i Tree构建流程 | 第31-33页 |
| 3.6.2 改进K-means算法优化聚类 | 第33-34页 |
| 3.6.3 聚类结果分析 | 第34-35页 |
| 3.7 本章小结 | 第35-36页 |
| 4 实验仿真 | 第36-48页 |
| 4.1 数据准备及预处理 | 第36-39页 |
| 4.2 聚类质量评估 | 第39页 |
| 4.3 实验及结果分析 | 第39-47页 |
| 4.3.1 标准数据集实验 | 第39-42页 |
| 4.3.2 高维数据集实验 | 第42-44页 |
| 4.3.3 不同离群值过滤比例实验 | 第44-47页 |
| 4.4 本章小结 | 第47-48页 |
| 5 结论与展望 | 第48-49页 |
| 5.1 结论 | 第48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 个人简介 | 第52-53页 |
| 致谢 | 第53-54页 |
| 附录 | 第54-65页 |
