《高维数据的聚类分析》是作者基于其多年的科研经验而撰写的聚类分析专著。全书从基础知识和实际应用两方面系统地介绍了聚类分析方法。基础知识部分阐述了聚类分析基本过程、数据预处理、相似度计算、验证指标、常见聚类方法原理和特点，并给出了应用实例和程序供读者参考。应用部分则针对高维数据非监督学习问题，分别以心电识别、脑电识别、行为识别以及智能材料识别等实际应用为例，阐述了面向高维、多元、具有复杂特征的数据，如何结合张量、智能优化方法、信息熵等其他领域知识进行聚类方法的创新。
　　《高维数据的聚类分析》可以作为信息类专业本科生、研究生的教材，也可以作为模式识别和机器学习领域科研人员和工程人员的学习参考书。

第1章 绪论
1．1 聚类分析的概念
1．2 聚类分析的过程
1．3 聚类算法分类
1．3．1 基于划分的算法
1．3．2 基于层次的算法
1．3．3 基于密度的算法
1．3．4 基于网格的算法
1．3．5 基于模型的算法
1．3．6 聚类算法比较
1．4 聚类分析在生物医学中的应用

第2章 数据预处理
2．1 数据滤波
2．1．1 小波变换的理论
2．1．2 小波除噪方法
2．2 缺失值处理
2．3 异常值处理
2．3．1 异常值的判别
2．3．2 异常值的处理常用方法
2．4 数据规范化
2．5 本章小结

第3章 相似性测度
3．1 相似性测度的基本概念
3．2 向量样本的距离和相似性测度
3．3 时间序列的相似性
3．4 本章小结

第4章 经典的聚类算法
4．1 K-means算法
4．1．1 基本原理
4．1．2 算法基本流程
4．1．3 样本距离与初始化
4．2 模糊C-均值算法
4．2．1 基本原理
4．2．2 算法基本流程
4．2．3 算法特点与参数设置
4．3 层次聚类
4．3．1 基本原理
4．3．2 算法基本流程
4．3．3 算法特点
4．4 密度聚类
4．4．1 DBSCAN算法基本原理
4．4．2 算法基本流程
4．4．3 算法特点与参数设置
4．5 谱聚类
4．5．1 基本原理
4．5．2 数学实现
4．5．3 切图准则
4．5．4 基本算法流程
4．5．5 算法特点与参数设置
4．6 自组织映射神经网络
4． 6．1 基本原理
……
第5章 聚类结果验证
第6章 多元时间序列的时频特征提取
第7章 基于模型的高维时间序列数据的特征提取
第8章 基于降维的特征选择
第9章 基于信息熵的聚类分析
第10章 多元时间张量的聚类分析
第11章 基于智能优化算法的聚类分析
参考文献
索引