| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 K均值算法的研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.3 论文结构安排 | 第13-14页 |
| 第2章 数据挖掘中的聚类分析概述 | 第14-25页 |
| 2.1 数据挖掘概述 | 第14-16页 |
| 2.2 聚类的目标与特点 | 第16-17页 |
| 2.3 几种常用聚类算法 | 第17-20页 |
| 2.3.1 基于划分的聚类方法 | 第18页 |
| 2.3.2 基于层次的聚类方法 | 第18-19页 |
| 2.3.3 基于密度的聚类方法 | 第19页 |
| 2.3.4 基于网格的聚类方法 | 第19-20页 |
| 2.4 几种常见的聚类有效性指标 | 第20-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 K均值算法研究及改进 | 第25-41页 |
| 3.1 K均值算法及优缺点 | 第25-27页 |
| 3.1.1 经典K均值聚类算法步骤 | 第25-26页 |
| 3.1.2 K均值聚类算法优缺点分析 | 第26-27页 |
| 3.2 基于聚类指标的改进研究 | 第27-33页 |
| 3.2.1 DB聚类指标特性分析及K均值改进 | 第27-31页 |
| 3.2.2 Sil聚类指标特性分析 | 第31-33页 |
| 3.3 聚类评价指标的改进 | 第33-37页 |
| 3.3.1 基于“类内距离比例”的类内评价指标 | 第34-35页 |
| 3.3.2 基于DB指标的类间评价指标 | 第35-37页 |
| 3.4 基于改进的聚类指标的K均值聚类算法改进 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 改进的K均值算法及其应用研究 | 第41-58页 |
| 4.1 基于“类内距离比例”的聚类指标随机实验分析 | 第41-48页 |
| 4.1.1 基于“类内距离比例”聚类指标的范围估算 | 第41-46页 |
| 4.1.2 基于DB指标的类间评价数值仿真实验 | 第46-48页 |
| 4.2 基于DB指标的K均值算法对比实验 | 第48-49页 |
| 4.3 新聚类指标下的K均值聚类结果分析 | 第49-53页 |
| 4.3.1 经典K均值算法的聚类指标 | 第49-51页 |
| 4.3.2 改进的K均值聚类算法中相关指标的数值实验对比研究 | 第51-53页 |
| 4.4 电信数据的聚类结果分析 | 第53-57页 |
| 4.4.1 数据介绍与预处理 | 第53-54页 |
| 4.4.2 聚类结果对比分析 | 第54-56页 |
| 4.4.3 聚类结果分析 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第63-64页 |
| 致谢 | 第64页 |
