| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-12页 |
| ·研究背景和现状 | 第9-10页 |
| ·本文的组织结构和创新点 | 第10-12页 |
| 第2章 高维海量数据联合聚类预处理问题概述 | 第12-17页 |
| ·KDD与高维海量数据 | 第12-13页 |
| ·联合聚类预处理概述 | 第13-17页 |
| ·高维海量数据预处理的主要内容 | 第14-15页 |
| ·高维海量数据的联合聚类预处理 | 第15-17页 |
| 第3章 联合聚类分析算法及其应用 | 第17-29页 |
| ·联合聚类的基本概念 | 第17-19页 |
| ·联合聚类的定义 | 第17-18页 |
| ·联合聚类分析算法的典型要求 | 第18-19页 |
| ·联合聚类的性质 | 第19-21页 |
| ·主要联合聚类算法 | 第21-25页 |
| ·单向聚类的独立应用方法(第一类) | 第21页 |
| ·单向聚类的依赖应用方法(第二类) | 第21-22页 |
| ·无遗漏的和非重叠的方法(第三类) | 第22-23页 |
| ·遗漏的和重叠的方法(第四类) | 第23-25页 |
| ·联合聚类算法的应用 | 第25-29页 |
| ·现有的联合聚类的应用 | 第26-27页 |
| ·联合聚类的新应用 | 第27-29页 |
| 第4章 基于逐步对应分析法的联合聚类预处理方法 | 第29-43页 |
| ·对应分析法的基本内容 | 第29-34页 |
| ·对应分析方法 | 第29-32页 |
| ·应用示例与实验评估 | 第32-34页 |
| ·逐步对应分析法的基本内容 | 第34-41页 |
| ·对应分析的矩阵分解问题 | 第34-35页 |
| ·矩阵分解的标准 | 第35-36页 |
| ·逐步对应分析的计算过程 | 第36-38页 |
| ·应用示例与实验评估 | 第38-41页 |
| ·基于逐步对应分析法的联合聚类预处理方法 | 第41-43页 |
| 第5章 基于对应分析的贝叶斯联合聚类算法 | 第43-51页 |
| ·生成的混合模型 | 第43-44页 |
| ·贝叶斯联合聚类 | 第44-46页 |
| ·对应分析-贝叶斯联合聚类 | 第46-47页 |
| ·基于贝叶斯信息准则的聚类数目估计算法 | 第47-48页 |
| ·应用示例与实验评估 | 第48-51页 |
| 第6章 联合聚类技术在城市房产交易数据分析中的应用 | 第51-56页 |
| ·基于逐步对应分析法的数据预处理 | 第51-53页 |
| ·基于贝叶斯信息准则的聚类数目估计 | 第53-54页 |
| ·贝叶斯联合聚类算法在房产数据中的应用 | 第54-56页 |
| 第7章 总结与展望 | 第56-58页 |
| ·本文工作的总结 | 第56页 |
| ·需要进一步研究的问题 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 附录1 攻读硕士期间发表的论文 | 第64-65页 |
| 附录2 攻读硕士期间参加的课题和项目 | 第65-66页 |
| 致谢 | 第66-67页 |