| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 插图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 基本概念 | 第13-14页 |
| 1.2.1 数据挖掘 | 第13-14页 |
| 1.2.2 数据流 | 第14页 |
| 1.3 研究现状 | 第14-16页 |
| 1.4 本文的研究内容 | 第16页 |
| 1.5 本文的组织结构 | 第16-18页 |
| 第2章 数据流挖掘理论和聚类算法概述 | 第18-27页 |
| 2.1 有关数据流挖掘理论 | 第18-20页 |
| 2.1.1 数据流模型 | 第18-19页 |
| 2.1.2 数据流处理特点 | 第19页 |
| 2.1.3 数据流挖掘的特点 | 第19-20页 |
| 2.2 数据流聚类相关技术 | 第20-21页 |
| 2.2.1 概要数据结构 | 第20页 |
| 2.2.2 窗口技术 | 第20-21页 |
| 2.2.3 时间衰减技术 | 第21页 |
| 2.3 常见聚类方法概述 | 第21-25页 |
| 2.3.1 基于划分的方法 | 第21-22页 |
| 2.3.2 基于层次的方法 | 第22-23页 |
| 2.3.3 基于密度的方法 | 第23页 |
| 2.3.4 基于网格的方法 | 第23-24页 |
| 2.3.5 基于模型的方法 | 第24-25页 |
| 2.4 设计数据流算法的需求 | 第25-26页 |
| 2.5 小结 | 第26-27页 |
| 第3章 基于 SSMC-Tree 的任意时刻数据流聚类 | 第27-37页 |
| 3.1 问题提出 | 第27-29页 |
| 3.2 基本概念 | 第29-32页 |
| 3.2.1 近似搜索树 | 第29-30页 |
| 3.2.2 SSMC-Tree | 第30-32页 |
| 3.3 基于 SSMC-Tree 的数据流聚类算法 | 第32-36页 |
| 3.3.1 微簇的维护和更新 | 第32-33页 |
| 3.3.2 SSMC-Tree 中的缓冲机制 | 第33-34页 |
| 3.3.3 基于 SSMC-Tree 的数据流聚类算法 | 第34-36页 |
| 3.4 小结 | 第36-37页 |
| 第4章 面向高速带噪声数据流的聚类 | 第37-43页 |
| 4.1 问题提出 | 第37-38页 |
| 4.2 基本概念 | 第38-39页 |
| 4.3 面向高速带噪声数据流的聚类 | 第39-42页 |
| 4.3.1 局部聚类算法 | 第39-41页 |
| 4.3.2 插入算法 | 第41-42页 |
| 4.4 小结 | 第42-43页 |
| 第5章 数据流聚类框架和实验 | 第43-54页 |
| 5.1 MOA 框架概述 | 第43-47页 |
| 5.1.1 MOA 框架提出背景 | 第43-44页 |
| 5.1.2 MOA 的体系结构 | 第44页 |
| 5.1.3 MOA 的聚类模块 | 第44-47页 |
| 5.2 SCMC-Tree 及其改进算法实验结果分析 | 第47-53页 |
| 5.2.1 实验配置 | 第47页 |
| 5.2.2 扇出值的确定 | 第47-48页 |
| 5.2.3 SSMC-Tree 算法的聚类质量 | 第48-50页 |
| 5.2.4 SSMC-Tree 改进算法的聚类质量 | 第50-51页 |
| 5.2.5 SSMC-Tree 改进算法针对高速数据流的性能 | 第51-52页 |
| 5.2.6 SSMC-Tree 改进算法离群点处理性能 | 第52-53页 |
| 5.3 小结 | 第53-54页 |
| 结论 | 第54-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 附录 A 攻读学位期间发表的学术论文 | 第62-63页 |
| 附录 B 攻读学位期间参与的科研项目 | 第63页 |
