| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章:绪论 | 第9-17页 |
| ·论文的研究背景及选题意义 | 第9-10页 |
| ·数据挖掘中聚类分析算法的相关介绍 | 第10-16页 |
| ·关于聚类分析的概述 | 第11-12页 |
| ·聚类分析中的数据类型及聚类准则函数 | 第12-13页 |
| ·聚类算法的分类 | 第13-14页 |
| ·数据挖掘中聚类的研究方向 | 第14-16页 |
| ·本文研究的内容及组织 | 第16-17页 |
| 第2章:K-均值聚类算法的研究与分析 | 第17-25页 |
| ·K-均值聚类算法的思想与基本框架 | 第17-18页 |
| ·K-均值聚类算法的基本思想 | 第17页 |
| ·K-均值聚类算法的算法流程 | 第17-18页 |
| ·K-均值算法的优缺点分析 | 第18-20页 |
| ·现有的对于K-均值聚类算法的改进 | 第20-23页 |
| ·现有基于初始中心点改进的K-均值聚类算法 | 第20-21页 |
| ·现有基于确定k值的K-均值聚类算法 | 第21-22页 |
| ·其他对于K-均值聚类算法的改进 | 第22-23页 |
| ·本章小结 | 第23-25页 |
| 第3章:改进的全局K-均值聚类算法 | 第25-39页 |
| ·全局K-均值算法 | 第25-27页 |
| ·算法思想 | 第25-26页 |
| ·算法流程 | 第26-27页 |
| ·一种k中心点法的初始化方法 | 第27-28页 |
| ·基于全局K-均值聚类算法的改进 | 第28-30页 |
| ·基本算法思想 | 第28-29页 |
| ·改进后的算法流程 | 第29-30页 |
| ·仿真试验及试验结果分析 | 第30-37页 |
| ·本章小结 | 第37-39页 |
| 第4章:自组织特征映射网络 | 第39-47页 |
| ·关于自组织特征映射网络的概述 | 第39-40页 |
| ·竞争学习规则 | 第40-42页 |
| ·相似性测量 | 第40-41页 |
| ·权向量归一化 | 第41页 |
| ·竞争学习规则 | 第41-42页 |
| ·自组织特征映射网络的学习过程 | 第42-44页 |
| ·自组织特征映射网络的实验仿真 | 第44-45页 |
| ·自组织特征映射网络面临的问题 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第5章:基于自组织特征映射网络实现K-均值聚类中K值的选取 | 第47-55页 |
| ·自组织特征映射网络中的竞争学习 | 第47页 |
| ·利用自组织特征映射网络实现K值的选取 | 第47-50页 |
| ·算法的主要思想 | 第47-48页 |
| ·最佳匹配单元的选择 | 第48页 |
| ·网络中权系数的自组织过程 | 第48-49页 |
| ·算法的流程及描述 | 第49-50页 |
| ·仿真试验及结果分析 | 第50-53页 |
| ·本章小结 | 第53-55页 |
| 第6章:总结与展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 攻读硕士期间发表论文 | 第63页 |