基于密度模式的参数自适应聚类算法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 第一章 绪论 | 第7-14页 |
| ·研究背景 | 第7-11页 |
| ·数据挖掘与聚类技术相关概念 | 第7-8页 |
| ·聚类算法所关注的性能指标 | 第8-9页 |
| ·聚类算法研究现状 | 第9-11页 |
| ·本文的主要工作及论文组织结构 | 第11-14页 |
| ·本文关注的主要问题及主要工作 | 第11-12页 |
| ·论文组织结构 | 第12-14页 |
| 第二章 参数自适应聚类算法中的关键问题 | 第14-20页 |
| ·现有聚类算法在自适应性能方面所作的工作 | 第14-17页 |
| ·高自适应性聚类算法的意义 | 第14-15页 |
| ·参数自适应聚类算法的相关研究进展 | 第15-17页 |
| ·聚类算法参数自适应工作的难点 | 第17-19页 |
| ·效率和准确度的冲突:聚类算法普遍存在的问题 | 第17-18页 |
| ·高识别能力的参数自适应聚类算法面临的挑战 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第三章 DMBC算法主要设计思想 | 第20-31页 |
| ·基于密度聚类算法的重要启示 | 第20-25页 |
| ·DBSCAN算法的核心思想及主要工作原理 | 第20-22页 |
| ·DBSCAN算法的特色和启发性 | 第22-23页 |
| ·DBSCAN算法存在的缺陷及其原因分析 | 第23-24页 |
| ·本文算法对于簇判定依据的重新认识 | 第24-25页 |
| ·密度模式的描述:最近邻关系的发展和应用 | 第25-30页 |
| ·最近邻关系的基本特点 | 第25-26页 |
| ·最近邻关系在现有聚类算法中的应用 | 第26-28页 |
| ·最近邻关系所蕴含丰富信息的进一步挖掘 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 第四章 DMBC算法设计实现及其关键技术分析 | 第31-41页 |
| ·DMBC算法工作原理概述 | 第31-37页 |
| ·动态k近邻图对于数据点在簇中所在位置的精确描述 | 第31-32页 |
| ·动态k近邻图中数据点的三种位置模式 | 第32-33页 |
| ·DMBC算法聚类机制简述 | 第33-34页 |
| ·Expand函数的工作原理及过程 | 第34-37页 |
| ·算法实现及其关键技术 | 第37-40页 |
| ·非均匀标度变换和比例判据 | 第37-39页 |
| ·数据结构对算法查询功能的支持和实现 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第五章 算法性能及实验结果分析 | 第41-50页 |
| ·算法时间复杂度分析 | 第41-46页 |
| ·算法主程序及核心函数结构分析 | 第41-43页 |
| ·算法时间复杂度的分析 | 第43-46页 |
| ·实验结果及分析 | 第46-49页 |
| ·实验数据选取及实验结果分析 | 第46-48页 |
| ·实验结果进一步分析和验证 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第六章 总结和展望 | 第50-52页 |
| ·论文总结 | 第50-51页 |
| ·进一步的研究方向 | 第51-52页 |
| 参考文献 | 第52-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间主要的研究成果 | 第58页 |
