| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-18页 |
| ·研究背景 | 第8-9页 |
| ·数据挖掘概述 | 第9-12页 |
| ·数据挖掘的产生 | 第9-10页 |
| ·数据挖掘方法的分类 | 第10-11页 |
| ·数据挖掘的功能 | 第11-12页 |
| ·数据挖掘技术的发展方向 | 第12页 |
| ·聚类分析概述 | 第12-16页 |
| ·聚类分析的产生 | 第12-13页 |
| ·聚类分析算法的分类 | 第13-16页 |
| ·当前聚类算法普遍存在的问题 | 第16页 |
| ·本文主要内容及组织结构 | 第16-18页 |
| 第2章 几种常用的聚类算法的比较 | 第18-29页 |
| ·聚类分析中的数据对象类型 | 第18页 |
| ·聚类算法的评价准则 | 第18-20页 |
| ·常见的聚类算法 | 第20-27页 |
| ·k-means算法 | 第20-21页 |
| ·k-medoids算法 | 第21-22页 |
| ·最大最小距离算法 | 第22-23页 |
| ·CURE算法 | 第23-24页 |
| ·DBSCAN算法 | 第24-25页 |
| ·STING算法 | 第25-26页 |
| ·几种常用的聚类算法的比较总结 | 第26-27页 |
| ·相似性度量方法 | 第27-28页 |
| ·几种常用的相似性度量方法 | 第27-28页 |
| ·不同相似性度量方式对k-means聚类结果的影响 | 第28页 |
| ·本章小结 | 第28-29页 |
| 第3章 对K-MEANS算法的改进 | 第29-35页 |
| ·优化初始聚类中心的K-MEANS算法 | 第29-32页 |
| ·k-means算法的改进思想 | 第29-30页 |
| ·优化初始聚类中心的k-means算法的实现流程 | 第30-31页 |
| ·实验结果与分析 | 第31-32页 |
| ·结论 | 第32页 |
| ·一种降低噪音数据对K-MEANS聚类结果影响的改进算法 | 第32-34页 |
| ·问题的提出 | 第32-33页 |
| ·算法的改进思路及实现流程 | 第33页 |
| ·实验结果与分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 用聚类-分类模式解决聚类问题 | 第35-39页 |
| ·背景知识 | 第35-36页 |
| ·算法设计与描述 | 第36-37页 |
| ·实验结果与分析 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第5章 总结 | 第39-41页 |
| ·本文的主要工作 | 第39-40页 |
| ·进一步工作方向 | 第40-41页 |
| 参考文献 | 第41-44页 |
| 攻读硕士学位期间科研工作情况 | 第44-45页 |
| 致谢 | 第45页 |