K-means算法的改进研究与应用

目录

声明

致谢

1 引言

1.1 课题研究背景及意义

1.2 国内外研究现状

1.2.1 分布式计算研究现状

1.2.2 K-means算法的研究现状

1.3 论文研究内容

1.4 论文组织结构

2 相关聚类算法研究

2.1 数据类型及相异度度量

2.1.1 数值型数据及相异度度量

2.1.2 分类型数据及相异度度量

2.1.3 相关系数的相似性度量

2.2 聚类分析方法介绍

2.2.1 基于划分的聚类方法

2.2.2 基于层次的聚类方法

2.2.3 基于密度的聚类方法

2.2.4 其他的聚类方法

2.3 层次聚类算法原理

2.4 K-means算法

2.4.1 K-means算法原理

2.4.2 传统K-means算法局限性分析

2.5 本章小结

3 分布式归并HK-means算法

3.1 传统HK-means算法局限性分析

3.2 归并HK-means算法原理

3.2.1 数据标准化

3.2.2 传统凝聚聚类算法

3.2.3 MHK算法定义

3.3 分布式数据处理系统

3.3.1 DDSMS与DBMS的区别

3.3.2 分布式系统的存储与运算

3.4 分布式MHK算法实现

3.4.1 map功能设计

3.4.2 组合功能设计

3.5 实验结果

3.5.1 实验数据集

3.5.2 实验对比

3.6 本章小结

4 基于加权特征集成的K-means算法

4.1 相关工作

4.2 WFE:加权特征集合法

4.3 基于WFE预测酵母蛋白定位的聚类算法

4.4 实验

4.4.1 实验数据集分析

4.4.2 对比实验

4.5 本章小结

5 总结与展望

5.1 总结

5.2 展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集