| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究的背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 聚类分析研究现状 | 第9页 |
| 1.2.2 K-means初始化改进研究现状 | 第9-11页 |
| 1.3 本文的主要工作 | 第11页 |
| 1.4 文章内容安排 | 第11-13页 |
| 第二章 聚类分析相关理论 | 第13-19页 |
| 2.1 聚类的基本概念 | 第13-15页 |
| 2.1.1 聚类的定义 | 第13页 |
| 2.1.2 聚类的过程 | 第13-14页 |
| 2.1.3 聚类算法中的数据结构 | 第14-15页 |
| 2.2 相似性度量 | 第15-16页 |
| 2.3 聚类评价指标 | 第16-18页 |
| 2.3.1 外部评价法 | 第16-17页 |
| 2.3.2 内部评价法 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 常用聚类算法 | 第19-24页 |
| 3.1 聚类算法的分类 | 第19-21页 |
| 3.2 K-means聚类算法 | 第21-23页 |
| 3.2.1 K-means聚类算法的基本思想 | 第21-22页 |
| 3.2.2 K-means聚类算法的分析 | 第22-23页 |
| 3.3 本章小结 | 第23-24页 |
| 第四章 常见的K-means初始聚类中心的改进方法 | 第24-31页 |
| 4.1 最大最小距离算法 | 第24-25页 |
| 4.2 K-means++算法 | 第25页 |
| 4.3 CCIA算法 | 第25-27页 |
| 4.4 Kd-tree算法 | 第27-28页 |
| 4.5 FSDP算法 | 第28-30页 |
| 4.6 本章小结 | 第30-31页 |
| 第五章 基于混合距离的K-means初始聚类中心算法 | 第31-40页 |
| 5.1 数据点密度的定义 | 第31-32页 |
| 5.2 混合距离模型 | 第32-33页 |
| 5.3 基于混合距离的初始聚类中心选取算法 | 第33-34页 |
| 5.4 混合距离模型实验结果与分析 | 第34-39页 |
| 5.4.1 ζ取值实验 | 第34-35页 |
| 5.4.2 λ取值实验 | 第35-39页 |
| 5.5 本章小结 | 第39-40页 |
| 第六章 内部聚类评价指标CVN | 第40-53页 |
| 6.1 内部聚类评价指标CVNN的分析 | 第40-41页 |
| 6.2 内部聚类评价指标CVN | 第41-43页 |
| 6.3 内部聚类评价指标CVN实验结果与分析 | 第43-52页 |
| 6.4 本章小结 | 第52-53页 |
| 第七章 全文总结与展望 | 第53-55页 |
| 7.1 全文工作总结 | 第53页 |
| 7.2 研究展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间的相关成果 | 第59-60页 |