| 摘要 | 第1-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第10-17页 |
| ·研究背景与意义 | 第10-11页 |
| ·国内外研究现状 | 第11-14页 |
| ·本文的创新点 | 第14-15页 |
| ·本文组织结构 | 第15-17页 |
| 第二章 相关理论和技术 | 第17-28页 |
| ·聚类分析的概念 | 第17-18页 |
| ·数据类型和数据结构 | 第18-19页 |
| ·度量相异性和标准化处理 | 第19-23页 |
| ·聚类中的优化函数及评价要求 | 第23-25页 |
| ·聚类的一般过程和主要方法 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 基于约束三角划分的 K-MEANS 聚类算法 | 第28-36页 |
| ·K-means 聚类算法 | 第28-31页 |
| ·k 均值思想简介 | 第28-30页 |
| ·k 均值算法的最新改进方法及应用 | 第30-31页 |
| ·基于约束三角剖分的 K-means 聚类算法 | 第31-33页 |
| ·整体对数据集进行约束三角剖分 | 第31-32页 |
| ·删除三角网格中的长边 | 第32页 |
| ·获取聚类个数 k | 第32页 |
| ·孤立点的局部聚类 | 第32-33页 |
| ·算法框架及性能分析 | 第33页 |
| ·算法框架 | 第33页 |
| ·算法性能分析 | 第33页 |
| ·实验 | 第33-35页 |
| ·人工数据集 | 第34-35页 |
| ·UCI 数据集 | 第35页 |
| ·本章小结 | 第35-36页 |
| 第四章 基于谱聚类的高维非线性数据的 K-MEANS 聚类 | 第36-45页 |
| ·基于模糊的相似性度量 | 第36-38页 |
| ·高斯核函数度量相似性 | 第36-37页 |
| ·基于模糊的度量相异性法 | 第37-38页 |
| ·自动确定聚类数目 k | 第38-40页 |
| ·聚类高维非线性数据的 K-均值 | 第40-41页 |
| ·PK- means 算法过程 | 第40-41页 |
| ·PK-means 算法的流程图 | 第41页 |
| ·PK-means 算法实验结果分析 | 第41-44页 |
| ·UCI 低维数据集 | 第42-43页 |
| ·高维数据集 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 总结与展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 攻读硕士学位期间的主要成果 | 第50-51页 |
| 致谢 | 第51-52页 |