基于K-means算法的平面点集聚类系统设计毕业论文目录---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---1绪论随着计算机硬件和软件技术的飞速发展，尤其是数据库技术的普及，人们面临着日益扩的数据海洋，原来的数据分析工具已无法有效地为决策者提供决策支持所需要的相关知识，从而形成一种独特的现象“丰富的数据，贫乏的知识”。数据挖掘（DataMining）又称为数据库中知识发现（KnowledgeDiscoveryformDatabase，KDD），它是一个从大量数据中抽取挖掘出未知的、有价值的模式或规律等知识的复杂过程。目前是在大量的数据中发现人们感兴趣的知识。常用的数据挖掘技术包括关联分析、异类分析、分类与预测、聚类分析以及演化分析等。由于数据库中收集了大量的数据，聚类分析已经成为数据挖掘领域的重要技术之一，本文中介绍的K-means算法就是聚类分析中应用最广泛的一种聚类算法。1.1研究意义及背景面对信息技术的日新月异，人们利用信息技术生产和搜集数据的能力大幅度提高，大量的数据库被用于商业管理、政府办公、科学研究和工程开发等等，要想使数据真正成为一个公司的资源，只有充分利用它为公司自身的业务决策和战略发展服务才行，否则大量的数据可能成为包袱，数据挖掘和知识发现技术应运而生，并得以蓬勃发展，越来越显示出其强大的生命力。数据挖掘就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。人们把原始数据看作是形成知识的源泉，就像从矿石中采矿一样。原始数据可以是结构化的，如关系数据库中的数据，也可以是半结构化的，如文本、图形、图像数据，甚至是分布在网络上的异构型数据。发现知识的方法可以是数学的，也可以是非数学的可以是演绎的，也可以是归纳的。挖掘出的知识可以被用于信息管理。查询优化、决策支持、过程控制等，还可以用于数据自身的维护。因此，数据挖掘是一门交叉学科，涉及人工智能技术、统计技术与数据库技术等多种技术。它汇聚了不同领域的研究者，尤其是数据库、人工智能、数理统计、可视化、并行计算等方面的学者和工程技术人员。聚类是数据挖掘技术研究中的重要技术的一种，能有效的通过分析数据并从中发现有用的信息。聚类将数据对象分组成为若干个类或簇，使得在同一个簇中的对象之间具有较高的相似度，而不同簇中的对象差别很大，通过聚类，人们能够识别---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---密集和稀疏的区域，发现全局的分布模式以及数据属性之间有趣的相互关系。聚类分析在客户分类、基因识别、文本分类、空间数据处理、卫星照片分析、医疗图像自动检测等领域有着广泛的应用，而其本身的研究也是一个蓬勃发展的领域，数据挖掘、统计学、机器学习、空间数据库技术、生物学和市场学的发展推动着聚类分析研究的进展，使它已成为数据挖掘研究中的一个热点，在市场分析中，通过聚类分析能帮助决策者识别不同特征的客户群以及各客户群的行为特征在生物工程研究中，聚类分析能够用于推导动植物的分类，按照功能对基因进行划分并获取种群中的固有结构特征在非关系数据库领域如空间数据库领域，聚类分析能够识别具有相同地理特征的区域以及该区域的环境和人的特征在信息检索领域，聚类分析能够对文档进行分类，提高检索效率。聚类分析将大量数据划分为性质相同的子类，便于了解数据的分布情况。与其他数据挖掘方法不同，在进行聚类分析前用户一般并不知道数据集的特征。因此，从某种角度看，聚类分析是一种无监督的学习过程，是基于观察的学习而不是基于实例的学习。1.2系统设计要求本系统主要是通过对K-means算法的理解，实现利用K-means聚类技术对平面点集进行聚类。具体要求：(1)通过界面实现平面点集的输入输出；(2)利用K-means聚类技术对平面点集进行聚类；(3)通过平面图显示聚类结果。1.3本文目的本文所研究的K-means聚类技术是聚类算法中划分方法里面应用最广泛的一种方案，通过对K-means聚类算法的理解应用，体会其优点和缺点，并将其进行系统实现。---本文来源于网络，仅...