本書以近鄰思想、同步聚類模型及快速同步聚類算法為研究課題，重點研究了基于近鄰圖與單元網格圖的聚類算法、基于近鄰勢與單元網格近鄰勢的聚類算法、快速同步聚類算法、基于Vicsek模型線性版本的同步聚類算法、基于線性加權Vicsek模型的收縮同步聚類算法、基于分而治之框架與收縮同步聚類算法的多層同步聚類方法和基于ESynC算法與微聚類合并判斷過程的組合聚類算法等。本書可作為聚類分析領域研究生的教學和科研參考教材，也可作為智能數據分析與處理技術人員的自學研究參考教材。
陳新泉，安徽工程大學計算機與信息學院機器學習與智能機器人研究室負責人。系統仿真&仿真技術應用專委會委員，計算機學會3個專委會委員，CCF高級會員，中國復雜性科學研究會會員，安徽省計算機學會青工委委員，安徽工程大學學報編委，碩士生導師。多個國際權威SCI期刊(如《Data Mining and Knowledge Discovery》等)和國內知名期刊的審稿人。多次參與省自然科學基金及省重大專項項目的評審，參與多個國家級、省部級科研項目，主持5個省廳級科研項目。獨立出版2部學術專著，以第一作者在CCF推薦SCI源期刊及其他期刊或會議上發表40多篇學術論文，其中SCI檢索期刊論文6篇，CSCD檢索8篇。
目錄
第1章 聚類算法與空間索引結構基礎 1
1.1 背景與意義 1
1.2 聚類算法簡介 2
1.2.1 基于劃分的聚類算法 2
1.2.2 層次聚類算法 3
1.2.3 密度聚類算法 4
1.2.4 網格聚類算法 4
1.2.5 模型聚類算法 5
1.2.6 圖聚類算法 5
1.2.7 其他聚類算法 5
1.3 聚類算法的研究現狀及發展趨勢 5
1.4 同步聚類 7
1.4.1 同步的起源與發展 7
1.4.2 同步聚類的起源與發展 7
1.5 近鄰思想及同步模型在聚類分析中的應用 11
1.6 空間索引結構基礎 12
1.7 本書的主要內容 13
第2章 基于近鄰圖與單元網格圖的聚類算法 14
2.1 基本概念及性質 15
2.2 基于近鄰圖的聚類算法 20
2.2.1 CNNG算法示例 20
2.2.2 CNNG算法描述 22
2.2.3 CNNG算法的復雜度分析 22
2.2.4 CNNG算法的改進 23
2.3 基于單元網格圖的聚類算法 23
2.3.1 CGCG算法的預處理 24
2.3.2 CGCG算法預處理步驟的復雜度分析 24
2.3.3 CGCG算法描述 25
2.3.4 CGCG算法的復雜度分析 25
2.4 算法實現與改進的若干方法及細節 25
2.4.1 多維網格劃分法 25
2.4.2 多維索引樹結構 26
2.4.3 近鄰點集的構造 27
2.4.4 ? 近鄰單元網格集的構造 28
2.4.5 區域是否存在交集的判定 31
2.5 本章小結 32
第3章 基于近鄰勢與單元網格近鄰勢的聚類算法 33
3.1 基本概念 33
3.2 基于近鄰勢的聚類算法 35
3.2.1 CNNI算法描述 35
3.2.2 CNNI算法的說明 36
3.2.3 參數? 的設置 37
3.2.4 CNNI算法的改進版本 37
3.2.5 CNNI算法的變種版本 38
3.3 基于單元網格近鄰勢的聚類算法 40
3.3.1 CIGC算法描述 40
3.3.2 CIGC算法的復雜度分析 43
3.3.3 CIGC算法的參數設置 43
3.4 本章小結 44
第4章 快速同步聚類算法 46
4.1 基本概念 47
4.2 快速同步聚類算法的三種具體版本 48
4.2.1 SynC算法描述 48
4.2.2 基于R樹的快速同步聚類算法 49
4.2.3 基于多維網格和紅黑樹的快速同步聚類算法 50
4.2.4 FSynC算法的一些知識 53
4.2.5 FSynC算法的復雜度分析 54
4.2.6 FSynC算法的參數設置 57
4.3 本章小結 57
第5章 基于Vicsek模型線性版本的同步聚類算法 58
5.1 基本概念及性質 58
5.2 有效的ESynC算法 62
5.2.1 有效的ESynC算法描述 62
5.2.2 比較Kuramoto擴展模型、Vicsek模型的線性版本
及Vicsek模型的原始版本 63
5.2.3 ESynC算法的復雜度分析 68
5.2.4 ESynC算法的參數設置 68
5.2.5 ESynC算法的收斂性 68
5.2.6 ESynC算法的改進 69
5.3 本章小結 69
第6章 基于線性加權Vicsek模型的收縮同步聚類算法 71
6.1 基本概念 71
6.2 SSynC算法的對比與分析 73
6.2.1 SSynC算法描述 73
6.2.2 比較SynC算法、ESynC算法和SSynC算法的動態
同步聚類過程 75
6.2.3 SSynC算法的復雜度分析 83
6.2.4 SSynC算法的參數設置 83
6.2.5 SSynC算法的收斂性 86
6.2.6 SSynC算法的改進 86
6.3 本章小結 87
第7章 基于分而治之框架與收縮同步聚類算法的多層同步聚類方法 88
7.1 MLSynC 88
7.1.1 使用MLSynC的條件 88
7.1.2 MLSynC的兩層框架算法描述 90
7.1.3 MLSynC的遞歸算法描述 91
7.2 MLSynC的分析 92
7.2.1 比較SynC算法、ESynC算法、SSynC算法和
MLSynC的同步聚類過程 92
7.2.2 MLSynC的復雜度分析 98
7.2.3 MLSynC的參數設置 99
7.2.4 MLSynC的收斂性 100
7.2.5 MLSynC的改進 100
7.3 本章小結 100
第8章 基于ESynC算法與微聚類合并判斷過程的組合聚類算法 101
8.1 基本概念及性質 102
8.2 組合ESynC算法與微聚類合并判斷過程的聚類方法 103
8.2.1 CESynC算法描述 103
8.2.2 CESynC算法中微聚類的合并策略 104
8.2.3 CESynC算法中微聚類的合并判斷方法 106
8.2.4 CESynC算法的復雜度分析 107
8.2.5 CESynC算法的參數設置 108
8.3 本章小結 108
第9章 近鄰同步聚類模型與指數衰減加權同步聚類模型的
比較與分析 110
9.1 基本概念 110
9.2 基于同步模型的聚類算法框架 112
9.2.1 CNNS 112
9.2.2 CEDS 113
9.3 復雜度分析 114
9.3.1 算法9-1的復雜度分析 114
9.3.2 算法9-2的復雜度分析 115
9.4 參數的優化確定 116
9.5 本章小結 116
第10章 總結與展望 117
10.1 總結 117
10.2 展望 117
參考文獻 119
附錄A 128
致謝 134
新書資訊