本论文研究的内容主要包括两个方面：聚类算法的研究以及聚类算法在入侵检测中的应用。下面从两个方面阐述国内外这两个方面的发展现状和趋势：

　　前人已经提出很多聚类算法，然而没有任何一种聚类算法可以普遍适用于揭示各种多维数据集所呈现出来的多种多样的结构，根据数据在聚类中的积聚规则以及应用这些规则的方法，可以将聚类算法分为以下几种：

　　1.划分聚类算法

　　划分聚类算法需要预先指定聚类数目或聚类中心，通过反复迭代运算，逐步降低目标函数的误差值，当目标函数收敛时，得到最终的聚类结果，划分聚类算法典型代表是k-means算法[1]和k-modoids算法。这些算法处理过程简单，运行效率好，但是存在对聚类数目的依赖性和退化性。迄今为止，许多聚类任务都选择这两个经典算法，针对k-means及k-modoids的固有弱点，也出现了的不少改进版本。

　　2.层次聚类算法

　　又称树聚类算法，它使用数据的联接规则，透过一种层次的架构方式，反复将数据进行分裂和聚合，以形成一个层次序列的聚类问题解。由于层次聚类算法的计算复杂性比较高，所以适合于小型数据集的聚类。20xx年，Gelbard等人有提出一种新的层次聚合算法，称为正二进制方法。该方法把待分类数据以正的二进制形式存储在二维矩阵中，他们认为，将原始数据转换成正二进制会改善聚类结果的正确率和聚类的鲁棒性，对于层次聚类算法尤其如此。Kumar等人[9]面向连续数据提出一种新的基于不可分辨粗聚合的层次聚类算法，既考虑了项的出现次序又考虑了集合内容，该算法能有效挖掘连续数据，并刻画类簇的主要特性。

　　3.基于密度-网格的聚类算法

　　与传统的聚类方法不同：基于密度的聚类算法，通过数据密度来发现任意形状的类簇；基于网格的聚类算法，使用一个网格结构，围绕模式组织由矩形块划分的值空间，基于块的分布信息实现模式聚类，基于网格的聚类算法常常与其他方法相结合，特别是与基于密度的聚类方法相结合。基于网格和密度的聚类方法在以空间信息处理为代表的众多领域有着广泛的应用。特别是伴随着近来处理大规模数据集、可伸缩的聚类方法的开发，它在空间数据挖掘研究子域日趋活跃。

研究生开题报告范文参考 篇6

　　一、立论依据

　　(一)论文的研究背景和意义

　　随着我国经济的发展，人们收入水平的不断提高，生活得到不断的改善。20xx年我国开始实行新的休假制度，我国的法定休假日达到了115天，意味着我国居民一年当中有超过三分之一的闲暇时间。但是随着竞争的加剧，人们的生活压力越来越大，为了缓解压力各种各样的休闲活动不断涌现，但普通的休闲活动已经不能满足人们的需求。国内旅行社组织的一些旅游活动，越来越像麦当劳快餐一样来去匆匆，让旅行者错过隐藏在自然风光后的惊喜和乐趣。人们需要的是一种能够回归自然，与自然亲密接触，感受自然的清新又不失惊险刺激，在惊险刺激中释放压力的休闲活动。为此，在一些大都市中形成了一种“有钱有时间又喜欢亲近自然”的“驴友”。这些“驴友”从普通的休闲活动中分离出来，热衷于在大自然中畅游，尤其是一些探险活动，在这种趋势的带动下户外活动得到了迅速的发展。户外运动俱乐部是户外运动适应市场需要的产物，是推动户外运动发展的重要载体。伴随着户外运动的兴起，户外运动俱乐部也得到了迅速的发展。至20xx年，我国正式登记注册的户外运动俱乐部有700多家，自发性组织户外群体则不计其数，有5000万人经常参加户外运动。

　　上海作为中国经济水平最发达的城市之一，也是户外运动最早兴起的城市之一。在上海，户外早已成为一种时尚的代名词。在百度工具栏中输入“上海户外运动”会发现大量的户外运动俱乐部以及户外运动用品商店，民间自发的还没有组建网站的户外运动团体更是大量的存在。1999年上海成立了第一家户外运动俱乐部——白浪户外，20xx年开始，上海户外运动俱乐部和户外商店出现了爆发式的增长，到20xx年底，上海登记备案的户外运动俱乐部已有50家，而没有登记的俱乐部有200多家。但纵观已有文献，发展仅有寥寥数篇关于上海户外运动的文章，专门对上海户外运动俱乐部的研究还是空白，发展如此迅速却没有引起相关研究领域的重视。本为试对上海户外运动俱乐部进行一些初步的探讨，以期抛砖引玉使得上海户外运动俱乐部的研究得到更多的重视，获得更多的研究成果。