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。
论文应符合专业培养目标和教学要求，以学生所学专业课的为主，不应脱离专业范围，要有一定的综合性，以下由编辑老师为您提供的研究生开题报告记录。
制作，这便进入我该次的主题了具体制作流程如下。
1.构建站点框架。
在我打开Dremweaver后第一步便是新建站点，我把我的站点建立在F仪下面。并将我搜集的全部资料都保存在其文件夹中，以便网页制作时可以方便的使用。
2.设计主页及二级。
在主页我设首页制作时，时刻考虑着网页的基本原则：统一，连贯，分割，对比及和谐的原则，内容统一，都是为了主题服务，美容美体，网站强调的就是一个整体，只有围绕一个统一的目标所做的设计才是成功的;连贯，页面之间关系连贯，统成一体;每版内容都自成一体，颜色各异，便于浏览;整个网页有动有静，色彩呼应，搭配协调，不呆板，富有生气;颜色各异，但又不同之中又相同，浑然一体。而且制作过程中，不忘以下原则：
简洁实用: 这是非常重要的，网络特殊环境下，尽量以最高效率的方式将用户所要想得到的信息传送给他就是最好的，所以要去掉所有的冗余的东西。使用方便:同第一个是相一致的，满足使用者的要求，网页做得越适合使用，就越显示出其功能美;页面用色协调，布局符合形式美的要求: 布局有条理，充分利用美的形式，是网页富有可欣赏性，提高档次。当然雅俗共赏是人人都追求的。交互式强: 发挥网络的优势，是每个使用者都参与到其中来，这样的设计才能算成功的设计。这样的网页才算真正的美的设计。每个子页都设有上导航栏，便于浏览和跳转。3个二级网页制作时，使用的是表格，每一个页面都用表格为它布局好，然后在插入图片文字及其他，这样有一定的规划性，体现了连贯统一性，不同的内容根据各自的特色建立了不同的表格，突出各自的主题，增强了对比性。在做这些网页的时候我就进行了如上所述的方法。但我所以网页的背景颜色及主题颜色都是相同的以便突出我每一个网页都是为凸显我主题而服务。
前言
北京大学教育学院教育经济与管理系旨在培养能够坚持党的基本路线，在教育经济学和教育管理领域掌握坚实的基础理论和系统的专门知识，具有从事本学科的科学研究和高等学校教学工作的能力，能够在教育行政部门、高等院校及有关部门开创性地从事教育经济学与教育管理学以及教育的投资决策研究、教育财政管理和教学工作的德、智、体全面发展的专门人才。为实现这一目标，教育经济与管理系要求学生在校期间必须形成良好的理论研究和实践能力，能够对本专业相关领域的某一问题进行深入思考和研究，并撰写一篇高质量的学位论文。为帮助学生高质量地完成学位论文，学校、学院和本系教职员工，尤其是学生的学位论文指导教师，有责任确保学生在研究和学位论文撰写过程中获得必要程度的支持、建议和评估。
