| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第10-16页 |
| 1.1 本课题的研究背景及意义 | 第10页 |
| 1.2“数字城管”的国内外研究现状 | 第10-13页 |
| 1.2.1“数字城管”的国内研究现状 | 第10-12页 |
| 1.2.2“数字城管”在国外的研究现状 | 第12-13页 |
| 1.3 问题的提出 | 第13-14页 |
| 1.4 论文的主要研究内容及主要工作 | 第14页 |
| 1.5 论文的章节安排 | 第14-16页 |
| 2 相关技术研究 | 第16-26页 |
| 2.1 数据仓库 | 第16-18页 |
| 2.1.1 数据仓库技术简介 | 第16-17页 |
| 2.1.2 在数据仓库中表示的多维数据模型 | 第17-18页 |
| 2.2 OLAP技术 | 第18-20页 |
| 2.2.1 OLAP简介 | 第18-19页 |
| 2.2.2 OLAP特性 | 第19页 |
| 2.2.3 要求OLAP系统具有的结构 | 第19-20页 |
| 2.3 数据挖掘 | 第20-26页 |
| 2.3.1 数据挖掘的概念 | 第20页 |
| 2.3.2 数据挖掘的功能 | 第20-22页 |
| 2.3.3 数据挖掘的一般流程 | 第22-23页 |
| 2.3.4 数据挖掘与数据仓库、OLAP的关系 | 第23-26页 |
| 3 K-means聚类算法及其改进 | 第26-42页 |
| 3.1 概述 | 第26-33页 |
| 3.1.1 聚类算法综述 | 第26-28页 |
| 3.1.2 聚类算法中常用的相似性度量 | 第28-30页 |
| 3.1.3 聚类有效性研究综述 | 第30-33页 |
| 3.2 K-means聚类算法的解析 | 第33-36页 |
| 3.2.1 算法概述 | 第33-34页 |
| 3.2.2 相关定义 | 第34页 |
| 3.2.3 K-means聚类算法自身存在的一些缺点 | 第34-36页 |
| 3.3 K-means聚类算法的改进 | 第36-39页 |
| 3.3.1 Kruskal算法解析 | 第36-37页 |
| 3.3.2 轮廓系数法解析 | 第37-38页 |
| 3.3.3 K-means聚类算法改进的思考 | 第38页 |
| 3.3.4 K-means聚类算法新步骤 | 第38-39页 |
| 3.4 K-means聚类算法的改进效果 | 第39-42页 |
| 4 LOF离群点检测算法及其改进 | 第42-54页 |
| 4.1 均衡性综述 | 第42-43页 |
| 4.2 离群点探寻概述 | 第43-48页 |
| 4.2.1 离群点的基本概念 | 第43-45页 |
| 4.2.2 离群点探寻办法 | 第45-48页 |
| 4.3 LOF离群点检测算法 | 第48-50页 |
| 4.3.1 算法概述 | 第48-49页 |
| 4.3.2 相关定义 | 第49-50页 |
| 4.3.3 LOF离群点检测算法的缺点 | 第50页 |
| 4.4 LOF离群点检测算法的改进 | 第50-52页 |
| 4.4.1 DBSCAN算法解析 | 第50-51页 |
| 4.4.2 LOF离群点检测算法改进的思考 | 第51页 |
| 4.4.3 LOF离群点检测算法的新步骤 | 第51-52页 |
| 4.5 LOF离群点检测算法的改进效果 | 第52-54页 |
| 5 应用案例分析 | 第54-62页 |
| 5.1 应用场景介绍 | 第54-55页 |
| 5.2 软件结构设计 | 第55页 |
| 5.3 软件功能结构设计 | 第55页 |
| 5.4 软件数据结构设计 | 第55-56页 |
| 5.5 实例分析 | 第56-62页 |
| 5.5.1 聚类分析 | 第58-60页 |
| 5.5.2 均衡性分析 | 第60-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 主要工作与创新点 | 第62-63页 |
| 6.2 存在的问题与展望 | 第63-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第70页 |