| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究的目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 空间聚类研究现状 | 第11-16页 |
| 1.2.2 障碍约束的空间聚类研究现状 | 第16-17页 |
| 1.3 课题的来源及研究内容 | 第17-18页 |
| 1.3.1 课题来源 | 第17页 |
| 1.3.2 课题的主要研究内容 | 第17-18页 |
| 第2章 空间聚类算法概述 | 第18-29页 |
| 2.1 空间聚类算法基础原理 | 第18-20页 |
| 2.2 空间聚类几种原型聚类算法 | 第20-24页 |
| 2.2.1 基于划分的原型聚类算法 | 第20-21页 |
| 2.2.2 基于层次的原型聚类算法 | 第21-22页 |
| 2.2.3 基于密度的原型聚类算法 | 第22-23页 |
| 2.2.4 其他聚类算法 | 第23-24页 |
| 2.3 空间聚类算法的典型要求 | 第24-25页 |
| 2.4 障碍空间聚类算法 | 第25-28页 |
| 2.4.1 障碍距离计算 | 第25-27页 |
| 2.4.2 障碍空间基于划分的聚类算法 | 第27-28页 |
| 2.4.3 障碍空间基于密度的聚类算法 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 障碍空间确定数据聚类算法 | 第29-37页 |
| 3.1 障碍空间样本方差的基本概念 | 第29-30页 |
| 3.2 基于最小障碍方差确定初始种子 | 第30-31页 |
| 3.3 障碍距离计算方法 | 第31-33页 |
| 3.4 障碍约束的划分聚类算法 | 第33-34页 |
| 3.5 算法实验分析 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 基于Voronoi图的障碍不确定数据聚类算法 | 第37-48页 |
| 4.1 障碍空间不确定数据距离概念 | 第37-38页 |
| 4.2 局部最优解聚类生成方法 | 第38-40页 |
| 4.3 初始解生成方法 | 第40-41页 |
| 4.4 基于Voronoi图剪枝的方法 | 第41-44页 |
| 4.4.1 基于Voronoi图的障碍约束情况分析 | 第41-43页 |
| 4.4.2 基于Voronoi图剪枝的过程 | 第43-44页 |
| 4.5 障碍空间不确定数据近似骨架模型算法 | 第44-45页 |
| 4.6 算法实验分析 | 第45-47页 |
| 4.7 本章小结 | 第47-48页 |
| 第5章 障碍空间不确定模糊数据聚类 | 第48-60页 |
| 5.1 障碍约束的不确定模糊聚类 | 第48-51页 |
| 5.1.1 障碍约束的数据属性分析 | 第48-49页 |
| 5.1.2 障碍约束的模糊聚类过程 | 第49-51页 |
| 5.2 障碍空间基于混合智能优化的聚类算法 | 第51-57页 |
| 5.2.1 粒子群优化过程 | 第51-52页 |
| 5.2.2 引力搜索优化过程 | 第52-55页 |
| 5.2.3 混合优化的模糊聚类算法 | 第55-57页 |
| 5.3 算法实验分析 | 第57-59页 |
| 5.4 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间发表的学术论文 | 第68-69页 |
| 致谢 | 第69页 |