1 绪论 1
1.1 聚类分析的概述 1
1.2 聚类分析的基础概念 3
1.2.1 聚类算法的主要类型 4
1.2.2 聚类分析的相似度和相异度 6
1.3 聚类分析算法 8
1.3.1 聚类算法性能的衡量指标 8
1.3.2 基于划分的聚类算法 9
1.3.3 基于层次的聚类算法 11
1.3.4 基于密度的聚类算法 13
1.3.5 基于网格的聚类算法 14
1.3.6 基于模型的聚类算法 15
1.4 聚类分析算法面临的问题 16
1.5 本章小结 17
2 模糊理论基础 19
2.1 模糊集的定义和表示方法 19
2.1.1 模糊集的定义 19
2.1.2 模糊集的表示方法 21
2.2 模糊集的基本概念 22
2.2.1 模糊集合的基本运算 22
2.2.2 模糊集的性质 23
2.2.3 隶属度函数 24
2.3 模糊聚类分析 26
2.3.1 模糊聚类分析步骤 26
2.3.2 最佳阈值λ的确定 30
2.4 模糊聚类分析应用 32
2.5 本章小结 36
3 模糊c－均值算法及分析 38
3.1 硬c－均值算法 38
3.2 模糊c－均值算法 39
3.3 模糊c－均值聚类算法的研究现状 41
3.3.1 模糊聚类目标函数的演化 41
3.3.2 模糊聚类算法实现途径的研究 45
3.3.3 模糊聚类有效性的研究 47
3.4 模糊c－均值算法存在的问题 48
3.5 本章小结 52
4 马氏距离基本原理和处理方法 54
4.1 马氏距离方法基本原理 55
4.2 马氏距离中奇异问题的解决方法 55
4.3 马氏距离的应用 57
4.3.1 马氏距离在模式识别中的应用 57
4.3.2 马氏距离在其他领域的应用 58
4.4 本章小结 58
5 马氏距离在模糊聚类中的应用 59
5.1 基于马氏距离的FCM算法（FCM－M） 59
5.1.1 新算法提出 59
5.1.2 实验结果及分析 61
5.2 基于马氏距离特征加权的模糊距离新算法（MF－FCM） 65
5.2.1 马氏距离特征加权新方法 66
5.2.2 实验结果及分析 67
5.3 基于马氏距离的模糊c－均值增量学习算法 68
5.3.1 增量学习的研究背景和意义 69
5.3.2 基于马氏距离的模糊c－均值增量学习算法概述 74
5.3.3 算法应用举例 75
5.4 马氏距离在模糊聚类中应用存在的问题 76
5.5 本章小结 77
6 基于优化KPCA特征提取的FCM算法 79
6.1 核主元分析（KPCA）的原理 79
6.1.1 主元分析（PCA）简介 79
6.1.2 核主元分析（KPCA）原理 80
6.2 文化算法的原理 82
6.3 KPCA算法的优化 85
6.4 基于优化KPCA特征提取的FCM算法 86
6.4.1 算法概述 86
6.4.2 算法应用举例 87
6.5 本章小结 88
7 模糊聚类算法在软件测试中的应用 90
7.1 软件测试方法 90
7.1.1 测试分类 90
7.1.2 本地化测试 92
7.1.3 白盒测试 93
7.1.4 黑盒测试 100
7.1.5 静态测试和动态测试 109
7.1.6 主动测试和被动测试 110
7.2 软件缺陷与缺陷模式 111
7.2.1 软件缺陷的类别 111
7.2.2 软件缺陷的分类标准 112
7.2.3 软件缺陷的构成 115
7.2.4 软件缺陷的严重性和优先级 118
7.2.5 软件缺陷的管理 122
7.3 基于模糊c－均值的等价类划分法 123
7.3.1 算法描述 124
7.3.2 算法的实验验证 126
7.4 本章小结 128
参考文献 130