| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 课题研究意义 | 第11-14页 |
| 1.3 课题研究内容 | 第14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 学员综合信息的预处理 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 学员综合信息属性归约 | 第16-18页 |
| 2.2.1 属性归约的算法 | 第17页 |
| 2.2.2 学员综合信息属性归约 | 第17-18页 |
| 2.3 学员综合信息的统计分析任务 | 第18-19页 |
| 2.4 学员综合信息的预处理研究 | 第19-23页 |
| 2.4.1 信息预处理研究 | 第19-20页 |
| 2.4.2 数据清洗 | 第20-21页 |
| 2.4.3 数据集成 | 第21-22页 |
| 2.4.4 数据转换 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于学员综合信息的 K-MEANS 聚类算法 | 第24-40页 |
| 3.1 引言 | 第24-30页 |
| 3.1.1 聚类概念简述 | 第24-25页 |
| 3.1.2 聚类分析中的数据类型 | 第25页 |
| 3.1.3 数据聚类 | 第25-26页 |
| 3.1.4 常用的聚类算法简述 | 第26-30页 |
| 3.2 学员综合信息模型的建立 | 第30-34页 |
| 3.2.1 建立模型 | 第30-32页 |
| 3.2.2 学员综合信息数据挖掘功能 | 第32-33页 |
| 3.2.3 方案实施 | 第33-34页 |
| 3.3 学员综合信息聚类 | 第34-39页 |
| 3.3.1 K-means 聚类算法 | 第34-37页 |
| 3.3.2 聚类中的相似性度量 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 改进的 K-MEANS 聚类算法 | 第40-51页 |
| 4.1 引言 | 第40-42页 |
| 4.1.1 传统的 K-means 聚类算法存在的问题 | 第40-41页 |
| 4.1.2 以往的对 K-means 算法的改进 | 第41-42页 |
| 4.2 基于最远距离确定初始聚类中心的改进算法 | 第42-47页 |
| 4.2.1 K-means 算法的中心初始化方法的基本思想 | 第42-44页 |
| 4.2.2 改进的聚类中心初始化方法的基本思想 | 第44-45页 |
| 4.2.3 MD K-means 算法试验及结果分析 | 第45-47页 |
| 4.3 基于提取最佳聚类数目的改进算法 | 第47-50页 |
| 4.3.1 传统 K-means 算法提取聚类数的基本思想 | 第47页 |
| 4.3.2 基于有效函数提取最佳聚类数目的基本思想 | 第47-49页 |
| 4.3.3 VF K-means 算法试验及结果分析 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 学员综合信息数据聚类结果分析 | 第51-54页 |
| 5.1 实践平台 | 第51页 |
| 5.2 聚类结果 | 第51-52页 |
| 5.3 结果分析 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第60-61页 |
| 致谢 | 第61-62页 |
| 作者简介 | 第62页 |
