本书以近邻思想、同步聚类模型及快速同步聚类算法为研究课题，重点研究了基于近邻图与单元网格图的聚类算法、基于近邻势与单元网格近邻势的聚类算法、快速同步聚类算法、基于Vicsek模型线性版本的同步聚类算法、基于线性加权Vicsek模型的收缩同步聚类算法、基于分而治之框架与收缩同步聚类算法的多层同步聚类方法和基于ESynC算法与微聚类合并判断过程的组合聚类算法等。
本书可作为聚类分析领域研究生的教学和科研参考教材，也可作为智能数据分析与处理技术人员的自学研究参考教材。

陈新泉，男，1974年7月生，湖南安仁人，博士后，教授、硕士生导师；系统仿真 & 仿真技术应用专委会委员、计算机学会3个专委会委员、CCF高级会员、中国复杂性科学研究会会员、安徽省计算机学会青工委委员、安徽工程大学学报编委；多个国际知名SCI期刊（如Data Mining and KnowledgeDiscovery、Computational Intelligence等）和国内期刊的审稿人、国际SCI期刊Journal of Intelligent & Fuzzy Systems的副主编。多次参与省自然科学基金及省重大专项项目的评审，参与过多个国家级、省部级科研项目，主持过5个省厅级科研项目。在数据挖掘领域从事了20多年的研究，有着较为丰富的科学研究和教学工作经历。在混合型数据集的加权聚类分析、特征权重优化、同步聚类、深度聚类方面有着较为深入的研究。已独立出版了2部学术专著，在CCF推荐SCI源期刊及其他期刊或会议上以第一作者身份发表了40多篇学术论文，其中SCI检索期刊论文7篇，CSCD检索期刊论文8篇。

第1章 聚类算法与空间索引结构基础
1.1 背景与意义
1.2 聚类算法简介
1.2.1 基于划分的聚类算法
1.2.2 层次聚类算法
1.2.3 密度聚类算法
1.2.4 网格聚类算法
1.2.5 模型聚类算法
1.2.6 图聚类算法
1.2.7 其他聚类算法
1.3 聚类算法的研究现状及发展趋势
1.4 同步聚类
1.4.1 同步的起源与发展
1.4.2 同步聚类的起源与发展
1.5 近邻思想及同步模型在聚类分析中的应用
1.6 空间索引结构基础
1.7 本书的主要内容
第2章 基于近邻图与单元网格图的聚类算法
2.1 基本概念及性质
2.2 基于近邻图的聚类算法
2.2.1 CNNG算法示例
2.2.2 CNNG算法描述
2.2.3 CNNG算法的复杂度分析
2.2.4 CNNG算法的改进
2.3 基于单元网格图的聚类算法
2.3.1 CGCG算法的预处理
2.3.2 CGCG算法预处理步骤的复杂度分析
2.3.3 CGCG算法描述
2.3.4 CGCG算法的复杂度分析
2.4 算法实现与改进的若干方法及细节
2.4.1 多维网格划分法
2.4.2 多维索引树结构
2.4.3 近邻点集的构造
2.4.4 δ近邻单元网格集的构造
2.4.5 区域是否存在交集的判定
2.5 本章小结
第3章 基于近邻势与单元网格近邻势的聚类算法
3.1 基本概念
3.2 基于近邻势的聚类算法
3.2.1 CNNI算法描述
3.2.2 CNNI算法的说明
3.2.3 参数δ的设置
3.2.4 CNNI算法的改进版本
3.2.5 CNNI算法的变种版本
3.3 基于单元网格近邻势的聚类算法
3.3.1 CIGC算法描述
3.3.2 CIGC算法的复杂度分析
3.3.3 CIGC算法的参数设置
3.4 本章小结
第4章 快速同步聚类算法
4.1 基本概念
4.2 快速同步聚类算法的三种具体版本
4.2.1 SynC算法描述
4.2.2 基于R树的快速同步聚类算法
4.2.3 基于多维网格和红黑树的快速同步聚类算法
4.2.4 FSynC算法的一些知识
4.2.5 FSynC算法的复杂度分析
4.2.6 FSynC算法的参数设置
4.3 本章小结
第5章 基于Vicsek模型线性版本的同步聚类算法
5.1 基本概念及性质
5.2 有效的ESynC算法
5.2.1 有效的ESynC算法描述
5.2.2 比较Kuramoto扩展模型、Vicsek模型的线性版本及Vicsek模型的原始版本
5.2.3 ESynC算法的复杂度分析
5.2.4 ESynC算法的参数设置
5.2.5 ESynC算法的收敛性
5.2.6 ESynC算法的改进
5.3 本章小结
第6章 基于线性加权Vicsek模型的收缩同步聚类算法
6.1 基本概念
6.2 SSynC算法的对比与分析
6.2.1 SSynC算法描述
6.2.2 比较SynC算法、ESynC算法和SSynC算法的动态同步聚类过程
6.2.3 SSynC算法的复杂度分析
6.2.4 SSynC算法的参数设置
6.2.5 SSynC算法的收敛性
6.2.6 SSynC算法的改进
6.3 本章小结
第7章 基于分而治之框架与收缩同步聚类算法的多层同步聚类方法
7.1 MLSynC
7.1.1 使用MLSynC的条件
7.1.2 MLSynC的两层框架算法描述
7.1.3 MLSynC的递归算法描述
7.2 MLSynC的分析
7.2.1 比较SynC算法、ESynC算法、SSynC算法和MLSynC的同步聚类过程
7.2.2 MLSynC的复杂度分析
7.2.3 MLSynC的参数设置
7.2.4 MLSynC的收敛性
7.2.5 MLSynC的改进
7.3 本章小结
第8章 基于ESynC算法与微聚类合并判断过程的组合聚类算法
8.1 基本概念及性质
8.2 组合ESynC算法与微聚类合并判断过程的聚类方法
8.2.1 CESynC算法描述
8.2.2 CESynC算法中微聚类的合并策略
8.2.3 CESynC算法中微聚类的合并判断方法
8.2.4 CESynC算法的复杂度分析
8.2.5 CESynC算法的参数设置
8.3 本章小结
第9章 近邻同步聚类模型与指数衰减加权同步聚类模型的比较与分析
9.1 基本概念
9.2 基于同步模型的聚类算法框架
9.2.1 CNNS
9.2.2 CEDS
9.3 复杂度分析
9.3.1 算法9-1的复杂度分析
9.3.2 算法9-2的复杂度分析
9.4 参数的优化确定
9.5 本章小结
第10章 总结与展望
10.1 总结
10.2 展望
参考文献
附录A
致谢