| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 绪论 | 第11-19页 |
| ·研究背景及意义 | 第11-13页 |
| ·国内外研究现状 | 第13-16页 |
| ·现有的针对类别型数据的距离度量方法 | 第14-15页 |
| ·现有的针对类别型数据的初始中心选择方法 | 第15页 |
| ·现有的基于粗糙集的聚类算法 | 第15-16页 |
| ·主要研究内容 | 第16-17页 |
| ·论文的组织结构 | 第17-19页 |
| 2 相关理论概述 | 第19-31页 |
| ·数据挖掘 | 第19-23页 |
| ·数据挖掘的定义 | 第19页 |
| ·数据挖掘的任务 | 第19-21页 |
| ·数据挖掘的过程 | 第21-22页 |
| ·数据挖掘的应用 | 第22-23页 |
| ·聚类分析 | 第23-26页 |
| ·聚类分析的基本概念 | 第23页 |
| ·聚类分析的任务 | 第23-24页 |
| ·聚类算法的分类 | 第24-25页 |
| ·聚类分析的数据类型 | 第25-26页 |
| ·粗糙集理论 | 第26-30页 |
| ·粗糙集理论的基本知识 | 第26-27页 |
| ·粗糙集理论的上、下近似关系 | 第27-28页 |
| ·粗糙集理论的应用 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 3 基于加权重叠距离的 K-modes 聚类 | 第31-37页 |
| ·聚类中的相似性度量问题 | 第31-32页 |
| ·基本定义 | 第32-33页 |
| ·加权重叠距离 | 第33-34页 |
| ·WODKM 算法 | 第34-35页 |
| ·实验结果及分析 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 4 K-modes 聚类初始中心选择—采用基于距离的离群点检测方法 | 第37-47页 |
| ·现有的初始中心选择方法 | 第37-39页 |
| ·离群点检测技术 | 第39-41页 |
| ·离群点检测需要处理的问题 | 第39-40页 |
| ·离群点检测技术的分类 | 第40-41页 |
| ·基于距离的离群点检测方法 | 第41页 |
| ·K-modes 聚类初始化算法 Ini_Distance | 第41-43页 |
| ·实验结果及分析 | 第43-46页 |
| ·本章小结 | 第46-47页 |
| 5 K-modes 聚类初始中心选择—采用基于信息熵的离群点检测方法 | 第47-64页 |
| ·基于距离的离群点检测方法所存在的问题 | 第47-48页 |
| ·信息熵及其在粗糙集中的应用 | 第48-49页 |
| ·信息熵 | 第48-49页 |
| ·信息熵在粗糙集中的应用 | 第49页 |
| ·基于信息熵的离群点检测方法 | 第49-53页 |
| ·K-modes 聚类初始化算法 Ini_Entropy | 第53-55页 |
| ·实验结果及分析 | 第55-63页 |
| ·本章小结 | 第63-64页 |
| 总结与展望 | 第64-66页 |
| 总结 | 第64-65页 |
| 展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士期间发表的学术论文 | 第72-73页 |
