| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 数据挖掘研究动态 | 第11-15页 |
| 1.2.1 数据挖掘基本概念 | 第11页 |
| 1.2.2 数据挖掘研究现状 | 第11-13页 |
| 1.2.3 数据挖掘分析方法 | 第13-14页 |
| 1.2.4 数据挖掘与模拟退火 | 第14-15页 |
| 1.3 聚类算法研究现状 | 第15-16页 |
| 1.4 聚类算法研究方向 | 第16页 |
| 1.5 本文主要工作 | 第16-17页 |
| 1.6 本文组织结构 | 第17-18页 |
| 第二章 相关知识 | 第18-29页 |
| 2.1 聚类分析 | 第18-20页 |
| 2.1.1 基本定义 | 第18页 |
| 2.1.2 聚类分析方法 | 第18-20页 |
| 2.1.3 聚类分析方法比较 | 第20页 |
| 2.2 两种常用聚类算法 | 第20-22页 |
| 2.2.1 K-means聚类算法 | 第20-21页 |
| 2.2.2 K-medoids聚类算法 | 第21-22页 |
| 2.3 粒计算 | 第22-26页 |
| 2.3.1 粒计算基本思想 | 第22-24页 |
| 2.3.2 粒计算数据挖掘优点 | 第24-25页 |
| 2.3.3 粒计算与聚类算法 | 第25-26页 |
| 2.4 模拟退火算法 | 第26-28页 |
| 2.4.1 模拟退火算法起源 | 第26页 |
| 2.4.2 模拟退火算法运行流程 | 第26-27页 |
| 2.4.3 模拟退火算法优点 | 第27-28页 |
| 2.4.4 模拟退火算法改进方法 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于改进粒计算的K-medoids算法初始化 | 第29-36页 |
| 3.1 问题提出 | 第29页 |
| 3.2 粒计算基本定义 | 第29-31页 |
| 3.3 建模理论 | 第31-32页 |
| 3.3.1 词计算模型 | 第31页 |
| 3.3.2 粗糙集模型 | 第31页 |
| 3.3.3 商空间模型 | 第31-32页 |
| 3.4 算法描述 | 第32-33页 |
| 3.5 初始化具体步骤 | 第33页 |
| 3.6 算法仿真及结果分析 | 第33-35页 |
| 3.6.1 算法仿真 | 第33-34页 |
| 3.6.2 结果分析 | 第34-35页 |
| 3.7 本章小结 | 第35-36页 |
| 第四章 基于粒计算和模拟退火K-medoids聚类算法 | 第36-42页 |
| 4.1 问题提出 | 第36页 |
| 4.2 K-medoids算法 | 第36-38页 |
| 4.2.1 K-medoids算法思想 | 第36-38页 |
| 4.2.2 K-medoids算法步骤 | 第38页 |
| 4.3 基于粒计算和模拟退火的K-medoids算法 | 第38-39页 |
| 4.3.1 改进准则函数 | 第38页 |
| 4.3.2 改进算法步骤 | 第38-39页 |
| 4.4 算法仿真及结果分析 | 第39-41页 |
| 4.4.1 算法仿真 | 第39-40页 |
| 4.4.2 结果分析 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 结论与展望 | 第42-43页 |
| 5.1 结论 | 第42页 |
| 5.2 展望 | 第42-43页 |
| 参考文献 | 第43-47页 |
| 致谢 | 第47-49页 |
| 附录（攻读硕士学位期间发表论文及参与科研项目） | 第49页 |
