| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 高维聚类研究的背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 论文开展的工作重点 | 第9页 |
| 1.4 论文的内容组织 | 第9-10页 |
| 1.5 本章小结 | 第10-11页 |
| 第二章 高维数据聚类分析方法的研究 | 第11-22页 |
| 2.1 经典的基本聚类算法 | 第11-12页 |
| 2.1.1 基于划分的相关聚类算法及介绍 | 第11页 |
| 2.1.2 基于密度的相关聚类算法及介绍 | 第11页 |
| 2.1.3 基于层次的聚类算法 | 第11-12页 |
| 2.1.4 基于网格的相关聚类算法及介绍 | 第12页 |
| 2.1.5 基于模型的相关聚类算法及介绍 | 第12页 |
| 2.2 高维数据集的处理方法 | 第12-17页 |
| 2.2.1 线性降维的方法 | 第12-14页 |
| 2.2.2 高维聚类分析中的非线性降维方法 | 第14-16页 |
| 2.2.3 新技术下的降维方法 | 第16-17页 |
| 2.3 高维数据的特征分析以及聚类方法的研究 | 第17-21页 |
| 2.3.1 高维数据的特征研究 | 第17-18页 |
| 2.3.2 降维技术运用到高维数据聚类分析中需要考虑的问题 | 第18-19页 |
| 2.3.3 高维数据聚类分析中的算法介绍 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于加权距离计算的自适应粗糙K均值算法 | 第22-31页 |
| 3.1 基于带权距离的粗糙K-means聚类算法 | 第22-24页 |
| 3.1.1 粗糙集理论 | 第22-23页 |
| 3.1.2 基于带权距离的粗糙K-means聚类策略 | 第23-24页 |
| 3.1.3 基于加权距离的粗糙K-means聚类算法 | 第24页 |
| 3.2 基于加权距离计算的自适应粗糙K-means聚类算法 | 第24-26页 |
| 3.2.1 自适应K-means聚类算法的实现策略 | 第24-25页 |
| 3.2.2 基于加权距离计算的自适应粗糙K-means聚类算法 | 第25-26页 |
| 3.3 聚类效果指标 | 第26-27页 |
| 3.4 实验与分析 | 第27-30页 |
| 3.4.1 实验数据集 | 第27页 |
| 3.4.2 聚类效果分析结果对比 | 第27-28页 |
| 3.4.3 聚类精确度对比分析 | 第28-29页 |
| 3.4.4 聚类执行时间对比分析 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于相似性度量的高维数据聚类分析改进算法 | 第31-40页 |
| 4.1 高维数据的特征分析 | 第31-32页 |
| 4.2 基于相似性度量函数的改进算法 | 第32-33页 |
| 4.2.1 传统相似性度量函数 | 第32页 |
| 4.2.2 基于相似性度量的聚类方法的研究与发展 | 第32-33页 |
| 4.3 基于相似性度量的高维数据聚类分析改进算法 | 第33-35页 |
| 4.3.1 算法基本思想以及实现过程 | 第33-35页 |
| 4.3.2 算法描述 | 第35页 |
| 4.4 实验与分析 | 第35-39页 |
| 4.4.1 实验数据集 | 第35-36页 |
| 4.4.2 实验的对比分析 | 第36-39页 |
| 4.4.3 本文算法对比分析 | 第39页 |
| 4.5 本章小结 | 第39-40页 |
| 第五章 高维数据聚类算法在食品安全检测中的应用 | 第40-48页 |
| 5.1 食品安全检测分析的现状 | 第40-43页 |
| 5.1.1 本文的食品安全检测分析方法 | 第41-42页 |
| 5.1.2 高维数据分析算法在食品安全检测的应用 | 第42-43页 |
| 5.2 本章实验的高维聚类分析方法 | 第43-44页 |
| 5.3 实验与分析 | 第44-47页 |
| 5.3.1 实验数据集 | 第44-45页 |
| 5.3.2 实验结果分析对比 | 第45-47页 |
| 5.4 本章小结 | 第47-48页 |
| 主要结论与展望 | 第48-50页 |
| 主要结论 | 第48页 |
| 展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第55页 |
