| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8页 |
| 1.2 国内外研究现状 | 第8-13页 |
| 1.2.1 国内外研究发展历程 | 第8-11页 |
| 1.2.2 国内外研究成果 | 第11-12页 |
| 1.2.3 研究热点和发展方向 | 第12-13页 |
| 1.3 课题研究意义 | 第13-14页 |
| 1.3.1 学术意义 | 第13-14页 |
| 1.3.2 实用意义 | 第14页 |
| 1.4 研究内容 | 第14-15页 |
| 1.5 论文组织结构 | 第15-16页 |
| 2 离群数据挖掘概述 | 第16-27页 |
| 2.1 数据挖掘技术概述 | 第16-17页 |
| 2.2 离群数据挖掘的目标和应用 | 第17-20页 |
| 2.3 离群挖掘的预处理 | 第20-22页 |
| 2.3.1 数据选取 | 第20页 |
| 2.3.2 数据表属性一致化 | 第20-21页 |
| 2.3.3 数据清理 | 第21页 |
| 2.3.4 数据替换或离散化 | 第21页 |
| 2.3.5 变量变换 | 第21-22页 |
| 2.4 离群数据挖掘的算法介绍 | 第22-26页 |
| 2.4.1 基于统计的离群检测算法 | 第22页 |
| 2.4.2 基于聚类的离群检测算法 | 第22-24页 |
| 2.4.3 基于分类的离群检测算法 | 第24页 |
| 2.4.4 基于k-近邻的离群检测算法 | 第24-25页 |
| 2.4.5 基于信息论的离群检测算法 | 第25页 |
| 2.4.6 近几年较新的离群检测算法 | 第25-26页 |
| 2.5 离群检测算法的评价指标 | 第26页 |
| 2.6 本章小结 | 第26-27页 |
| 3 基于信息熵的离群检测算法 | 第27-32页 |
| 3.1 熵在科学应用中的演变历程 | 第27页 |
| 3.2 信息熵在离群检测中的意义和优势 | 第27-28页 |
| 3.3 离群检测中信息熵的不同应用形式 | 第28-29页 |
| 3.3.1 属性熵 | 第28页 |
| 3.3.2 和熵 | 第28-29页 |
| 3.3.3 熵增 | 第29页 |
| 3.3.4 初始迭代点的确定 | 第29页 |
| 3.3.5 连续属性离散化 | 第29页 |
| 3.4 基于信息熵的离群检测算法概述 | 第29-31页 |
| 3.5 本章小结 | 第31-32页 |
| 4 基于信息熵的离群检测算法改进 | 第32-43页 |
| 4.1 信息熵技术在离群挖掘领域的可改进之处 | 第32-33页 |
| 4.2 EOF算法的可改进之处 | 第33-34页 |
| 4.3 改进的NCEOF算法 | 第34-37页 |
| 4.3.1 改进思路 | 第34-35页 |
| 4.3.2 NCEOF算法描述 | 第35-36页 |
| 4.3.3 NCEOF算法分析 | 第36-37页 |
| 4.4 HLEAWOF算法思想 | 第37-39页 |
| 4.5 HLEAWOF算法描述及复杂度分析 | 第39-41页 |
| 4.5.1 算法描述 | 第39-41页 |
| 4.5.2 算法分析 | 第41页 |
| 4.6 本章小结 | 第41-43页 |
| 5 实验及结果分析 | 第43-48页 |
| 5.1 Wisconsin Breast Cancer数据集 | 第43-44页 |
| 5.2 KDD-Cup99 数据集 | 第44-46页 |
| 5.3 算法的不足之处 | 第46-47页 |
| 5.4 本章小结 | 第47-48页 |
| 6 总结与展望 | 第48-50页 |
| 6.1 工作总结 | 第48-49页 |
| 6.2 展望未来 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 附录 作者在攻读硕士学位期间发表论文的目录 | 第56页 |