1 緒論1 
1.1 大數據    1  
1.1.1 大數據概念1  
1.1.2 大數據特征4 
1.2 云計算與大數據挖掘    5  
1.2.1 云計算5  
1.2.2 大數據挖掘6 
1.3 傳統數據挖掘    6  
1.3.1 數據源與挖掘任務7  
1.3.2 數據挖掘方法7  
1.3.3 數據挖掘面臨問題9 
參考文獻    10  
2 基于屬性加權和密度聚類分析11 
2.1 聚類分析技術    11  
2.1.1 數據基礎11  
2.1.2 聚類分析方法16  
2.1.3 簇的類型16 
2.2 聚類算法    17  
2.2.1 聚類算法分類17  
2.2.2 聚類算法特性19  
2.2.3 選用聚類算法參考因素20  
2.2.4 聚類算法面臨的挑戰21 
2.3 聚類算法改進    23  
2.3.1 聚類算法分析23  
2.3.2 數據對象屬性加權25 
2.3.3 基于屬性加權k-means算法27  
2.3.4 實例驗證算法28 
2.4 基于密度與對象方向聚類算法    29  
2.4.1 算法的提出29  
2.4.2 denclue算法30  
2.4.3 算法設計31 
2.5 cabwad算法實現    36  
2.5.1 數據結構建立36  
2.5.2 數據結構上聚類38  
2.5.3 時間和空間復雜度40 
2.6 實驗分析    40  
2.6.1 準確度分析41  
2.6.2 可擴展性分析43 
參考文獻    44  
3 基于密度與密度可達聚類分析46 
3.1 cabwad算法分析    46  
3.1.1 算法過程分析46  
3.1.2 兩個輸入參數的分析47 
3.2 算法設計與分析    50  
3.2.1 相關定義50  
3.2.2 cadd算法設計53  
3.2.3 算法執行過程分析53 
3.3 實驗分析    55  
3.3.1 不同分布形態的簇（纏繞簇）55  
3.3.2 不同密度的簇56  
3.3.3 分布在不同密度噪聲中的變密度簇57  
3.3.4 復雜形態簇58  
3.3.5 算法復雜度分析59 
參考文獻    60  
4 動態增量聚類分析62
 4.1 算法提出    62 
4.1.1 增量聚類算法62  
4.1.2 cadd算法分析64  
4.1.3 抽樣技術66 
4.2 基于密度可達的動態增量聚類算法    67  
4.2.1 算法設計67  
4.2.2 算法實現69  
4.2.3 算法復雜度分析69 
4.3 基于子簇特征的增量聚類算法    70  
4.3.1 相關定義70  
4.3.2 算法設計72  
4.3.3 算法實現72 
4.4 實驗分析    73  
4.4.1 仿真動態增量聚類73  
4.4.2 算法對比分析77 
參考文獻    78  
5 并行聚類分析80 
5.1 并行計算技術    80  
5.1.1 并行計算定義81 
 5.1.2 并行計算分類81  
5.1.3 并行計算模型和體系結構82  
5.1.4 并行數據挖掘85  
5.1.5 并行聚類分析86 
5.2 并行聚類算法設計與實現    88  
5.2.1 算法總體流程88  
5.2.2 數據并行聚類算法89  
5.2.3 數據并行和任務并行聚類算法90 
5.3 實驗分析    92  
5.3.1 算法有效性分析92  
5.3.2 算法加速比分析92  
5.3.3 算法時間復雜度分析93 
 5.3.4 pcadd與cadd算法執行時間對比93 
參考文獻    94 
6 高維多類型屬性數據對象聚類分析95 
6.1 高維多類型屬性數據對象    95  
6.1.1 高維數據處理95  
6.1.2 多類型屬性處理96  
6.1.3 高維數據對象聚類96 
 6.1.4 多類型屬性數據對象聚類98 
6.2 維度對聚類算法精度影響    99  
6.2.1 高維數據聚類99  
6.2.2 數據集與相關定義99  
6.2.3 實驗結果及分析100 
6.3 多類型屬性數據聚類分析    103  
6.3.1 處理多類型數據方法103  
6.3.2 聚類效果度量標準103  
6.3.3 實驗結果及分析104 
6.4 基于屬性加權的高維數據聚類    108  
6.4.1 屬性加權cadd算法108  
6.4.2 實驗結果及分析109 
參考文獻    113  
7 基于密度加權模糊聚類分析115 
7.1 模糊聚類分析    115  
7.1.1 模糊聚類產生115  
7.1.2 模糊聚類分類116  
7.1.3 模糊聚類算法優化117 
7.2 模糊聚類算法    118  
7.2.1 模糊簇118  
7.2.2 hc-means聚類算法118 
 7.2.3 fc-means聚類算法119 
 7.2.4 hcm和fcm的關系120  
7.2.5 fcm算法存在問題分析121 
7.3 基于密度函數加權的fcm    122  
7.3.1 聚類算法提出122  
7.3.2 聚類算法設計123 
7.3.3 實驗結果及分析124 
參考文獻    132  
8 基于距離量化關聯規則挖掘135 
8.1 關聯規則挖掘    135  
8.1.1 關聯規則相關概念135  
8.1.2 關聯規則度量137  
8.1.3 關聯規則分類138  
8.1.4 關聯規則挖掘模型與步驟139 
8.2 量化關聯規則    140  
8.2.1 量化關聯規則提出140  
8.2.2 量化關聯規則定義143  
8.2.3 算法描述145  
8.2.4 算法分析146 
8.3 基于距離算法設計與實現    148 
 8.3.1 算法設計148  
8.3.2 數據預處理149  
8.3.3 基于距離量化規則150  
8.3.4 簇間關聯度的度量150  
8.3.5 關聯度參數 d    0   限定151  
8.3.6 規則的生成153 
8.4 算法實驗分析    153  
8.4.1 系統交互界面153  
8.4.2 地球化學數據分析154  
8.4.3 臨床醫學調查數據156 
參考文獻    156  
9 基于數據場的數據挖掘技術158 
9.1 數據場    158  
9.1.1 數據場的概念158  
9.1.2 數據場主要特征159  
9.1.3 數據場表達159 
9.2 數據場聚類算法    161 
9.2.1 數據場聚類算法設計161  
9.2.2 測試數據集產生162  
9.2.3 位場聚類實驗162  
9.2.4 輻射場聚類實驗163  
9.2.5 參數對數據場聚類效果影響164 
9.3 聚類效果實驗分析    166  
9.3.1 模擬數據分析166  
9.3.2 uci數據集實驗168 
9.4 基于數據場量化關聯規則挖掘    172  
9.4.1 常用量化關聯規則挖掘方法172  
9.4.2 算法相關定義173  
9.4.3 算法設計與實現175 
9.5 關聯規則挖掘實驗與分析    176  
9.5.1 身體脂肪bodyfat數據集176  
9.5.2 臨床醫學數據實驗測試178 
參考文獻    179  
10 基于mapreduce聚類分析181
 10.1 hadoop開源云計算平臺    181  
10.1.1 mapreduce181  
10.1.2 hdfs文件系統183 
 10.1.3 基于mapreduce聚類算法184 
10.2 基于mapreduce k-means算法改進    186  
10.2.1 距離三角不等式聚類算法186  
10.2.2 距離三角不等式算法設計187  
10.2.3 聚類算法實驗結果分析189 
10.3 基于mapreduce cadd聚類算法    191  
10.3.1 算法設計191  
10.3.2 mapreduce聚類模型192  
10.3.3 聚類算法實驗結果分析193 
參考文獻    195 
11 數據挖掘結果可視化表達196
 11.1 可視化數據挖掘    196  
11.1.1 數據可視化197  
11.1.2 數據挖掘過程可視化198  
11.1.3 數據挖掘結果可視化198  
11.1.4 交互式可視化數據挖掘199 
11.2 數據可視化方法及分類    200  
11.2.1 基于幾何的技術200  
11.2.2 面向像素的技術202  
11.2.3 基于圖標的技術202  
11.2.4 基于層次的技術203 
11.3 可視化數據挖掘系統設計與實現    204  
11.3.1 可視化挖掘系統204  
11.3.2 聚類結果可視化205 
 11.3.3 關聯規則結果可視化208 
參考文獻    212  
12 地球化學數據挖掘（ⅰ）214 
12.1 地球化學數據處理方法    214  
12.1.1 傳統處理方法214  
12.1.2 數據挖掘方法215 
12.2 地球化學數據聚類分析    217  
12.2.1 地球化學數據來源217  
12.2.2 區域地質概況217  
12.2.3 聚類分析研究221  
12.2.4 靶區地球化學特征222 
12.3 區域礦產資源預測    225  
12.3.1 地球化學異常靶區225  
12.3.2 元素組合特征分析226  
12.3.3 區域礦產資源預測232 
參考文獻    234 
13 地球化學數據挖掘（ⅱ）236 
13.1 區域地質形貌    236  
13.1.1 自然地理環境236  
13.1.2 區域地質概況236 
13.2 地球化學元素聚類分析    239  
13.2.1 數據整理和建立數據庫239  
13.2.2 地球化學數據聚類分析239  
13.2.3 聚類結果mapgis成圖241 
13.3 地球化學元素組合特征分析    243  
13.3.1 靶區1～4元素組合特征243  
13.3.2 靶區5元素組合特征243  
13.3.3 礦產資源預測244 
13.4 地球化學元素模糊c-means聚類    247  
13.4.1 某金礦區模糊c-means聚類分析247  
13.4.2 某錫礦區模糊c-means聚類分析248  
13.4.3 某采樣地區模糊c-means聚類分析249 
參考文獻    250  
14 資源與經濟發展關系分析252 
14.1 資源與經濟    252  
14.1.1 礦產資源開發252  
14.1.2 傳統研究方法253 
14.2 數據源與數據預處理    256  
14.2.1 數據的選取256  
14.2.2 數據標準化257 
14.3 聚類分析    258  
14.3.1 資源儲量屬性258  
14.3.2 環境指標屬性260  
14.3.3 經濟指標屬性262  
14.3.4 技術指標屬性275  
14.3.5 結論與建議278 
參考文獻    280