聚类算法在雷电预警及雷灾分析中的应用
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第7-11页 |
| ·研究背景及意义 | 第7-8页 |
| ·国内外研究现状 | 第8-10页 |
| ·雷电监测预警研究现状 | 第8-9页 |
| ·雷灾数据挖掘研究现状 | 第9-10页 |
| ·主要研究内容 | 第10页 |
| ·论文的组织 | 第10-11页 |
| 第二章 雷电数据挖掘基础 | 第11-19页 |
| ·雷电定义及特征 | 第11页 |
| ·雷电定位监测网及雷电定位资料 | 第11-12页 |
| ·聚类分析 | 第12-18页 |
| ·聚类分析概述 | 第13页 |
| ·数据表示 | 第13-14页 |
| ·相似度度量 | 第14-16页 |
| ·聚类算法 | 第16-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 基于OPTICS的雷电预警模型研究 | 第19-35页 |
| ·密度聚类及OPTICS算法 | 第19-25页 |
| ·密度聚类概念 | 第19-21页 |
| ·OPTICS密度聚类算法 | 第21-22页 |
| ·提取聚类结果 | 第22-25页 |
| ·OPTICS算法应用研究 | 第25-28页 |
| ·雷电数据表示及相似度度量 | 第25页 |
| ·OPTICS算法分析及改进 | 第25-28页 |
| ·雷暴云的识别及跟踪预测 | 第28-31页 |
| ·数据采集与处理 | 第28页 |
| ·雷暴云的识别 | 第28-29页 |
| ·雷暴云跟踪及拟合预测 | 第29-31页 |
| ·雷电预警结果及分析 | 第31-34页 |
| ·预警效果分析 | 第31-34页 |
| ·算法性能分析 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第四章 基于K-Means的雷灾文本聚类研究 | 第35-56页 |
| ·雷灾文本聚类相关技术 | 第35-38页 |
| ·雷灾文本聚类基本过程 | 第35-36页 |
| ·文本预处理 | 第36-37页 |
| ·文本表示模型 | 第37-38页 |
| ·文本相似度度量 | 第38页 |
| ·K-Means算法研究及改进 | 第38-43页 |
| ·K-Means原理 | 第38-39页 |
| ·K-Means算法优缺点分析 | 第39-40页 |
| ·K-Means改进研究 | 第40-43页 |
| ·改进的K-Means文本聚类实验 | 第43-54页 |
| ·ICTCLAS分词 | 第43-44页 |
| ·数据模型构建 | 第44-46页 |
| ·精细簇K-Means聚类 | 第46-49页 |
| ·性能优化 | 第49-51页 |
| ·聚类质量评估 | 第51-52页 |
| ·实验及结果分析 | 第52-54页 |
| ·雷灾文本聚类分析 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 作者简介 | 第63-64页 |
| 致谢 | 第64页 |
