论文摘要
数据挖掘技术是当前机器学习、模式识别、计算机科学、智能计算技术、应用数学、统计学习方法以及智能机器人研究中的重要课题。它能从已有的数据中分析、提炼和挖掘出隐含的、先前未知的、对决策有潜在应用价值的知识。本文围绕数据挖掘领域的聚类分析问题,展开了算法与应用研究:在传统的K-均值聚类算法的基础上,为了提高算法的效率,提出了两种基于数据分段技术选取初始聚类中心的改进的K-均值聚类算法,将上述算法应用到我国各地区城镇居民家庭收支基本情况统计数据中,取得了较好效果;结合半监督学习方法,提出了半监督K-均值聚类算法,并针对初始聚类中心的选取提出了两种改进的半监督K-均值聚类算法,并将改进前后的算法应用于我国男性与女性身高和体重的统计数据中,取得了较好的效果。
论文目录
提要第1章 绪论1.1 数据挖掘的意义1.2 数据挖掘的主要内容1.3 数据挖掘的应用1.4 本文工作第2章 聚类2.1 聚类问题概述2.2 聚类问题的求解算法2.2.1 层次算法2.2.2 划分算法2.3 聚类算法的比较2.4 本章小结第3章 半监督学习3.1 半监督学习的思想3.2 半监督分类3.3 半监督聚类3.4 本章小结第4章 K-均值聚类的研究与改进4.1 K-均值聚类4.1.1 数据聚类的K-均值聚类算法4.1.2 改进的K-均值聚类算法4.2 K-均值聚类实验4.2.1 传统的K-均值聚类算法4.2.2 改进的K-均值聚类算法4.3 本章小结第5章 半监督K-均值聚类的研究与改进5.1 半监督K-均值聚类5.1.1 半监督K-均值聚类算法5.1.2 改进的半监督K-均值聚类算法5.2 半监督K-均值聚类实验5.2.1 半监督K-均值聚类算法5.2.2 改进的半监督K-均值聚类算法5.3 本章小结第6章 总结与展望6.1 论文工作总结6.2 研究展望参考文献致谢摘要Abstract
相关论文文献
标签:数据挖掘论文; 半监督学习论文; 均值聚类论文;