使用K-Means 算法进行聚类分析程序_百度知道工具类服务
编辑部专用服务
作者专用服务
基于K-means算法的网络日志聚类分析
随着Internet的飞速发展，Web服务已在人们生活中起着越来越重要的作用.与此同时，能够反应用户行为的Web信息数据也日渐丰富。网络日志作为Web数据的一种存储方式，由于其数据充分且存储格式较为统一，非常适合对其进行挖掘和分析，因此得到了日渐广泛的研究。　　
在高校的局域网环境中，许多学校使用校园网网关认证系统实现对用户的管理.因此，网关日志作为网络日志的一种形式，积累了用户的网络使用行为的大量信息.本文以北京师范大学2007年的网关日志数据为研究对象，以基于K-means算法实现网络日志的聚类分析为研究内容，旨在发现高校用户潜在的网络使用模式，有助于更好地了解用户行为特征，并为网络决策提供依据。　　
本文首先对课题所使用的主要技术--聚类分析进行了详细的介绍，包括聚类分析的定义、待聚类数据的数据类型和度量方式以及各种度量方法等，并详细介绍了本课题所采用的K-means聚类算法及其改进措施.之后对网络日志聚类分析进行了具体的实现：首先采用数据预处理技术将原始数据转换为适合于聚类分析的结构，然后采用基本的K-means算法实现网络日志的聚类，并针对K-means算法对初始值的选取依赖较大的主要缺陷，利用最大最小距离法对初始点的选择进行改进，同时结合使用加权距离改进对象间的相异度度量，提高聚类的质量。
学科专业：
授予学位：
学位授予单位：
导师姓名：
学位年度：
本文读者也读过
相关检索词
万方数据知识服务平台--国家科技支撑计划资助项目（编号：2006BAH03B01）(C)北京万方数据股份有限公司
万方数据电子出版社博客访问： 224747
博文数量： 38
博客积分： 1490
博客等级： 上尉
技术积分： 406
注册时间：
IT168企业级官微
微信号：IT168qiye
系统架构师大会
微信号：SACC2013
分类： 大数据
（本文转自网上，具体出处忘了是哪里的，好像是上海一位女士在网上的博文，此处转载，用以备查，请原作者见谅）
聚类算法总结：
---------------------------------------------------------
聚类算法的种类：
基于划分聚类算法（partition clustering)
是一种典型的划分聚类算法，它用一个聚类的中心来代表一个簇，即在迭代过程中选择的聚点不一定是聚类中的一个点，该算法只能处理数值型数据
K-Means算法的扩展，采用简单匹配方法来度量分类型数据的相似度
k-prototypes：
结合了K-Means和K-Modes两种算法，能够处理混合型数据
k-medoids：
在迭代过程中选择簇中的某点作为聚点，PAM是典型的k-medoids算法
CLARA算法在PAM的基础上采用了抽样技术，能够处理大规模数据
CLARANS算法融合了PAM和CLARA两者的优点，是第一个用于空间数据库的聚类算法
Focused CLARAN：
采用了空间索引技术提高了CLARANS算法的效率
模糊集合理论引入聚类分析中并提出了PCM模糊聚类算法
基于层次聚类算法：
采用抽样技术先对数据集D随机抽取样本，再采用分区技术对样本进行分区，然后对每个分区局部聚类，最后对局部聚类进行全局聚类
也采用了随机抽样技术，该算法在计算两个对象的相似度时，同时考虑了周围对象的影响
CHEMALOEN（变色龙算法）：
首先由数据集构造成一个K-最近邻图Gk ,再通过一个图的划分算法将图Gk 划分成大量的子图,每个子图代表一个初始子簇,最后用一个凝聚的层次聚类算法反复合并子簇，找到真正的结果簇
SBAC算法则在计算对象间相似度时，考虑了属性特征对于体现对象本质的重要程度，对于更能体现对象本质的属性赋予较高的权值
BIRCH算法利用树结构对数据集进行处理，叶结点存储一个聚类，用中心和半径表示，顺序处理每一个对象，并把它划分到距离最近的结点，该算法也可以作为其他聚类算法的预处理过程
BUBBLE算法则把BIRCH算法的中心和半径概念推广到普通的距离空间
BUBBLE-FM：
BUBBLE-FM算法通过减少距离的计算次数，提高了BUBBLE算法的效率
基于密度聚类算法：
DBSCAN算法是一种典型的基于密度的聚类算法，该算法采用空间索引技术来搜索对象的邻域，引入了“核心对象”和“密度可达”等概念，从核心对象出发，把所有密度可达的对象组成一个簇
算法通过泛化DBSCAN算法中邻域的概念，以适应空间对象的特点
OPTICS算法结合了聚类的自动性和交互性，先生成聚类的次序，可以对不同的聚类设置不同的参数，来得到用户满意的结果
FDC算法通过构造k-d tree把整个数据空间划分成若干个矩形空间，当空间维数较少时可以大大提高DBSCAN的效率
基于网格的聚类算法：
利用网格单元保存数据统计信息，从而实现多分辨率的聚类
WaveCluster：
在聚类分析中引入了小波变换的原理，主要应用于信号处理领域。（备注：小波算法在信号处理，图形图像，加密解密等领域有重要应用，是一种比较高深和牛逼的东西）
是一种结合了网格和密度的聚类算法
OPTIGRID：
基于神经网络的聚类算法：
自组织神经网络SOM：
该方法的基本思想是--由外界输入不同的样本到人工的自组织映射网络中，一开始时，输入样本引起输出兴奋细胞的位置各不相同，但自组织后会形成一些细胞群，它们分别代表了输入样本，反映了输入样本的特征
基于统计学的聚类算法：
COBWeb是一个通用的概念聚类方法，它用分类树的形式表现层次聚类
AutoClass：
是以概率混合模型为基础，利用属性的概率分布来描述聚类，该方法能够处理混合型的数据，但要求各属性相互独立
---------------------------------------------------------
几种常用的聚类算法从可伸缩性、适合的数据类型、高维性（处理高维数据的能力）、异常数据的抗干扰度、聚类形状和算法效率6个方面进行了综合性能评价，评价结果如表1所示：
适合的数据类型
异常数据的抗干扰性
WaveCluster
K-Prototypes&
---------------------------------------------------------
目前聚类分析研究的主要内容：
对聚类进行研究是数据挖掘中的一个热门方向，由于以上所介绍的聚类方法都存在着某些缺点，因此近些年对于聚类分析的研究很多都专注于改进现有的聚类方法或者是提出一种新的聚类方法。以下将对传统聚类方法中存在的问题以及人们在这些问题上所做的努力做一个简单的总结：
1 从以上对传统的聚类分析方法所做的总结来看，不管是k-means方法，还是CURE方法，在进行聚类之前都需要用户事先确定要得到的聚类的数目。然而在现实数据中，聚类的数目是未知的，通常要经过不断的实验来获得合适的聚类数目，得到较好的聚类结果。
2 传统的聚类方法一般都是适合于某种情况的聚类，没有一种方法能够满足各种情况下的聚类，比如BIRCH方法对于球状簇有很好的聚类性能，但是对于不规则的聚类，则不能很好的工作；K-medoids方法不太受孤立点的影响，但是其计算代价又很大。因此如何解决这个问题成为当前的一个研究热点，有学者提出将不同的聚类思想进行融合以形成新的聚类算法，从而综合利用不同聚类算法的优点，在一次聚类过程中综合利用多种聚类方法，能够有效的缓解这个问题。
3 随着信息时代的到来，对大量的数据进行分析处理是一个很庞大的工作，这就关系到一个计算效率的问题。有文献提出了一种基于最小生成树的聚类算法，该算法通过逐渐丢弃最长的边来实现聚类结果，当某条边的长度超过了某个阈值，那么更长边就不需要计算而直接丢弃，这样就极大地提高了计算效率，降低了计算成本。
4 处理大规模数据和高维数据的能力有待于提高。目前许多聚类方法处理小规模数据和低维数据时性能比较好，但是当数据规模增大，维度升高时，性能就会急剧下降，比如k-medoids方法处理小规模数据时性能很好，但是随着数据量增多，效率就逐渐下降，而现实生活中的数据大部分又都属于规模比较大、维度比较高的数据集。有文献提出了一种在高维空间挖掘映射聚类的方法PCKA（Projected Clustering based on the K-Means Algorithm），它从多个维度中选择属性相关的维度，去除不相关的维度，沿着相关维度进行聚类，以此对高维数据进行聚类。
5 目前的许多算法都只是理论上的，经常处于某种假设之下，比如聚类能很好的被分离，没有突出的孤立点等，但是现实数据通常是很复杂的，噪声很大，因此如何有效的消除噪声的影响，提高处理现实数据的能力还有待进一步的提高。
阅读(62430) | 评论(0) | 转发(6) |
相关热门文章
给主人留下些什么吧！~~
请登录后评论。基于聚类分析的K-means算法研究及应用--《计算机应用研究》2007年05期
基于聚类分析的K-means算法研究及应用
【摘要】：通过对聚类分析及其算法的论述,从多个方面对这些算法性能进行比较,同时以儿童生长发育时期的数据为例通过聚类分析的软件和改进的K-means算法来进一步阐述聚类分析在数据挖掘中的实践应用。
【作者单位】：
【关键词】：
【基金】：
【分类号】：TP311.13【正文快照】：
随着计算机硬件和软件技术的飞速发展,尤其是数据库技术的普及,人们面临着日益扩张的数据海洋,原来的数据分析工具已无法有效地为决策者提供决策支持所需要的相关知识,从而形成一种独特的现象“丰富的数据,贫乏的知识”。数据挖掘[1]又称为数据库中知识发现(Know ledge D isco
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【引证文献】
中国期刊全文数据库
钟晓旭;胡学钢;;[J];安徽建筑工业学院学报(自然科学版);2010年04期
周为吉;谢健偲;刘志勇;邓航;;[J];安徽农业科学;2009年05期
唐涛;;[J];边疆经济与文化;2010年11期
高燕飞;陈俊杰;强彦;;[J];电脑开发与应用;2008年07期
李晶;陈俊杰;强彦;;[J];电脑开发与应用;2008年07期
罗烨;蔡秋茹;柳益君;李秉璋;;[J];电脑知识与技术;2009年14期
王祝文;刘菁华;任莉;;[J];东华理工大学学报(自然科学版);2009年02期
肖海俊;;[J];湖北广播电视大学学报;2012年02期
刘红现;许长福;覃建华;唐洪明;;[J];石油天然气学报;2010年04期
王雅菲;赵伟;;[J];长春工业大学学报(自然科学版);2009年06期
中国博士学位论文全文数据库
侯新文;[D];中国矿业大学（北京）;2011年
李德顺;[D];东北大学　;2010年
刘颖;[D];大连海事大学;2012年
中国硕士学位论文全文数据库
孙大朋;[D];哈尔滨理工大学;2010年
王雅菲;[D];长春工业大学;2010年
朱广彬;[D];北京交通大学;2011年
张继美;[D];安徽大学;2010年
朱磊;[D];新疆大学;2011年
闫先明;[D];南京理工大学;2011年
李易;[D];电子科技大学;2011年
朱云贺;[D];中国海洋大学;2011年
王艳;[D];安徽工业大学;2010年
钱丽;[D];中国石油大学;2011年
【参考文献】
中国期刊全文数据库
钱锋,徐麟文;[J];杭州师范学院学报(自然科学版);2001年01期
何彬彬;方涛;郭达志;;[J];计算机科学;2004年11期
左子叶,朱扬勇;[J];计算机应用与软件;2004年04期
许向东,张全寿;[J];计算机系统应用;1998年04期
【共引文献】
中国期刊全文数据库
周炎坤,李满春;[J];测绘通报;2000年08期
刘淑莲;王真;赵建卫;;[J];财经问题研究;2008年07期
何彬彬;陈翠华;方涛;郭达志;;[J];地理与地理信息科学;2006年06期
张凤龙,汪洋;[J];电脑开发与应用;2002年11期
梁志荣;;[J];电脑开发与应用;2007年06期
翟音;罗萍;;[J];电脑知识与技术;2008年26期
赵勤;刘岩;;[J];电脑知识与技术;2009年06期
张廷广,容红斌;[J];大学图书情报学刊;2002年02期
张守祥,张良,李首滨;[J];地质与勘探;2001年05期
徐毅博;;[J];硅谷;2012年07期
中国重要会议论文全文数据库
吴泽雄;;[A];海南省通信学会学术年会论文集（2005）[C];2005年
方运涛;董显威;;[A];中国计量协会冶金分会2009年年会论文集[C];2009年
中国博士学位论文全文数据库
张目;[D];电子科技大学;2010年
张贵清;[D];对外经济贸易大学;2005年
陈钊;[D];北京林业大学;2003年
李大伟;[D];吉林大学;2006年
骞宪忠;[D];山西医科大学;2007年
中国硕士学位论文全文数据库
张睿;[D];兰州大学;2010年
刘文君;[D];南昌大学;2010年
刘慧;[D];东北财经大学;2010年
朱燕玲;[D];华东师范大学;2011年
姚玉阁;[D];内蒙古大学;2011年
邝涛;[D];郑州大学;2011年
张坤;[D];辽宁工程技术大学;2011年
罗勇;[D];电子科技大学;2011年
马苗苗;[D];东北财经大学;2011年
秦开大;[D];昆明理工大学;2001年
【同被引文献】
中国期刊全文数据库
于恒兰;;[J];安徽大学学报;1993年03期
于立红;杜芸;;[J];安徽电子信息职业技术学院学报;2009年04期
朱方霞;陈华友;;[J];安徽大学学报(自然科学版);2006年05期
吕辉;;[J];安徽建筑工业学院学报(自然科学版);2008年04期
侯新文;尹志轩;张建伟;袁西龙;尹明泉;李清平;董杰;;[J];安徽农业科学;2010年21期
焦立新;[J];安徽农业技术师范学院学报;1999年03期
胡海军;程光旭;禹盛林;王玉亮;杜阡陌;;[J];安全与环境学报;2007年03期
付强;张和平;熊永祥;陆松;;[J];安全与环境学报;2008年01期
梁伍七,江克勤;[J];安庆师范学院学报(自然科学版);2004年02期
方元康;胡学钢;夏启寿;;[J];安庆师范学院学报(自然科学版);2008年03期
中国重要报纸全文数据库
王建锋;[N];中国计算机报;2004年
李震;[N];中国计算机报;2004年
中国博士学位论文全文数据库
孟凡奇;[D];吉林大学;2011年
侯新文;[D];中国矿业大学（北京）;2011年
范昕炜;[D];浙江大学;2003年
厉青;[D];中国地质大学（北京）;2003年
李荣陆;[D];复旦大学;2005年
杨小兵;[D];浙江大学;2005年
胡天磊;[D];浙江大学;2006年
李小敬;[D];浙江大学;2006年
雷斌;[D];武汉理工大学;2009年
中国硕士学位论文全文数据库
李海清;[D];辽宁师范大学;2010年
张超;[D];山东农业大学;2010年
张家飞;[D];哈尔滨工程大学;2010年
姜伦;[D];哈尔滨理工大学;2010年
史小星;[D];兰州理工大学;2011年
王伟;[D];中国科学技术大学;2011年
陈星宇;[D];上海交通大学;2011年
王梅;[D];西安科技大学;2011年
欧陈委;[D];长沙理工大学;2011年
张红艳;[D];山西农业大学;2001年
【二级引证文献】
中国期刊全文数据库
;[J];Asian Agricultural R2010年02期
曹国;;[J];财会通讯;2010年27期
刘海燕;刘波;强彦;;[J];山西电力;2010年06期
张程恩;潘保芝;刘倩茹;徐新也;;[J];测井技术;2012年04期
郑凯;梁卓明;郑文栋;;[J];计算机工程;2011年19期
瞿小宁;;[J];计算机仿真;2011年06期
李海芳;李彦彪;强彦;;[J];计算机应用研究;2010年05期
刘城霞;;[J];计算机与现代化;2012年04期
王同兴;郭骏杰;王强;;[J];建筑科学;2010年07期
刘敬培;李江;季文平;潘鹏辉;;[J];计算机与现代化;2012年07期
中国博士学位论文全文数据库
孙月峰;[D];天津大学;2010年
强彦;[D];太原理工大学;2010年
中国硕士学位论文全文数据库
李丽;[D];哈尔滨工程大学;2010年
钟晓旭;[D];合肥工业大学;2010年
王迎敏;[D];太原理工大学;2011年
施剑;[D];太原理工大学;2011年
王小刚;[D];太原理工大学;2011年
金鑫;[D];吉林大学;2011年
蔡珍珍;[D];江西理工大学;2011年
李易;[D];电子科技大学;2011年
钟蜜;[D];武汉科技大学;2011年
张斐;[D];广西师范学院;2011年
【相似文献】
中国期刊全文数据库
关心;王新;;[J];计算机系统应用;2007年09期
孙亦博;;[J];电脑知识与技术;2010年09期
王晓红;苏伟明;周玉凤;;[J];吉林化工学院学报;2006年02期
宋磊;;[J];福建金融管理干部学院学报;2011年03期
宋慧勇;;[J];黑龙江科技信息;2007年24期
屈正庚;唐晓琴;;[J];电子设计工程;2009年03期
崔立新;赵蕾;李海玉;;[J];电脑编程技巧与维护;2009年S1期
汪涛;郭顺生;胡双胜;;[J];机械制造;2006年02期
汪涛;郭顺生;胡双胜;;[J];制造技术与机床;2006年06期
董军凯;;[J];科技资讯;2009年22期
中国重要会议论文全文数据库
常郝;周国祥;;[A];计算机技术与应用进展——全国第17届计算机科学与技术应用（CACIS）学术会议论文集（上册）[C];2006年
黄红兵;蒋望东;;[A];广西计算机学会2004年学术年会论文集[C];2004年
姚小磊;彭清华;;[A];中华中医药学会第七次眼科学术交流会论文汇编[C];2008年
郭婕;陈学武;;[A];第一届中国智能交通年会论文集[C];2005年
肖健华;吴今培;;[A];2001年中国智能自动化会议论文集（下册）[C];2001年
金妮;;[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年
戈欣;吴晓芬;许建荣;;[A];2009中华医学会影像技术分会第十七次全国学术大会论文集[C];2009年
叶伟芳;徐迪;;[A];中国企业运筹学学术交流大会论文集[C];2005年
马洪杰;曲晓飞;;[A];面向21世纪的科技进步与社会经济发展（上册）[C];1999年
武森;郑锡村;国宏伟;;[A];全国第十届企业信息化与工业工程学术年会论文集[C];2006年
中国重要报纸全文数据库
本报通讯员　 魏拉;[N];中国邮政报;2006年
陈娟华?周瑾亮;[N];常州日报;2007年
庄电一;[N];光明日报;2007年
;[N];财会信报;2007年
容若 摘编;[N];中国档案报;2010年
康琦;[N];中国医药报;2008年
江苏省扬州市邗江区泰安学校
高超;[N];中国电脑教育报;2006年
郭莹;[N];中国计算机报;2006年
张承东;[N];网络世界;2006年
梁熙玲;[N];远东经贸导报;2006年
中国博士学位论文全文数据库
赵恒;[D];西安电子科技大学;2005年
许增福;[D];哈尔滨工程大学;2005年
庞淑英;[D];昆明理工大学;2008年
赵晨;[D];浙江大学;2005年
高清东;[D];北京科技大学;2005年
李兴;[D];中国科学院研究生院（遥感应用研究所）;2006年
王玉峰;[D];大连理工大学;2007年
贾宁凤;[D];中国农业大学;2005年
杨龙;[D];浙江大学;2008年
潘海天;[D];浙江大学;2003年
中国硕士学位论文全文数据库
汪瑛;[D];南京理工大学;2009年
蔡元萃;[D];中北大学;2007年
吴卉男;[D];贵州大学;2007年
卢华玮;[D];重庆大学;2007年
姜瑞;[D];长春理工大学;2008年
王秀巧;[D];山东师范大学;2008年
陶永峰;[D];武汉理工大学;2007年
巫卿;[D];天津大学;2006年
黄琳;[D];汕头大学;2007年
王路漫;[D];北京林业大学;2008年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 大众知识服务
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备75号优秀研究生学位论文题录展示基于K-means算法的文本聚类的研究与实现专　业: 计算机应用技术关键词: 文本挖掘 聚类 K-means 改进K-means 扇形切分法分类号: TP311.132.3形　态: 共 67 页　约 43,885 个字　约 2.099 M内容阅　读: 内容摘要网络的快速发展和广泛普及,使得人们要接收的信息量呈指数级增加。文本作为信息的重要载体,蕴含着大量有价值的资源,等待着人们进行发掘和研究。但是,文本信息内容和格式的多样化、复杂化,决定了人们难以发现感兴趣的相关信息。随着文本挖掘技术的诞生和发展,人们可以快速有效地从大量的文本资源中发现简洁、精练、可理解的知识。而文本聚类作为文本挖掘的重要分支,其研究也越来越多地引起了人们广泛的重视。K-means算法以其简单性和快速性在文本聚类中得到广泛应用,但是传统的K-means算法对初值的依赖性很强,需要事先给出要生成的簇的数目k,而这个参数k的确定一般是根据用户的经验知识给出的;另外,其初始聚类中心是随机选取的,这种随机性往往导致聚类结果的不稳定。可以说,不同的k值和不同的初始聚类中心对聚类质量和时间效率造成的影响是很大的。本文对文本挖掘和聚类分析做了较为全面的研究,开展的工作主要包括以下几个方面:首先,本文深入研究了文本挖掘的相关理论和关键技术,包括中文分词、降维操作、文本表示、权重评价及相似度计算等方面。其次,本文对传统K-means算法进行了深入研究,针对其存在的不足,从两..……全文目录摘要第一章
绪论1.1 论文的研究背景和意义1.2 国内外研究现状1.3 论文的研究目的1.4 论文的内容与结构安排第二章
文本挖掘及关键技术概述2.1 数据挖掘2.1.1 数据挖掘的含义2.1.2 数据挖掘的过程2.1.3 数据挖掘系统基本成分2.1.4 数据挖掘的相关技术2.2 文本挖掘2.2.1 文本挖掘的概念2.2.2 文本挖掘的内容2.2.3 文本挖掘的过程2.2.4 文本挖掘与自然语言处理之间的差别2.2.5 文本挖掘的应用领域2.3 文本聚类2.3.1 文本聚类的概念2.3.2 常用的文本聚类方法2.3.3 文本聚类的特点与难点2.4 文本聚类的关键技术2.4.1 文本表示2.4.2 文本特征项的权重计算2.4.3 文本预处理2.4.4 特征降维2.4.5 文本的相似度计算2.5 本章小结第三章
文本聚类算法分析3.1 几种典型的文本聚类算法3.1.1 基于划分的方法3.1.2 基于层次的方法3.1.3 基于密度的方法3.1.4 基于网格的方法3.1.5 基于模型的方法3.2 聚类算法的典型要求3.3 传统 K-means 算法3.3.1 K-means 算法概述3.3.2 算法执行举例3.4 文本聚类的质量评价3.4.1 熵3.4.2 特征测量3.4.3 整体相似度3.4.4 纯度3.4.5 F 值3.5 小结第四章
K-means 算法的改进4.1 传统 K-means 算法的特点4.1.1 算法的优点4.1.2 算法存在的局限性4.2 改进 K-means 算法的提出4.3 K-means 算法现有的改进算法4.3.1 K-众数算法4.3.2 EM 算法4.4 改进的 K-means 算法中 k 值的确定4.4.1 基本思想4.4.2 具体步骤4.4.3 算法分析4.5 优化 K-means 算法的初始聚类中心4.5.1 现有初始聚类中心的选择方法4.5.2 改进的初始聚类中心选择方法4.5.3 算法分析4.6 小结第五章
系统设计与性能分析5.1 实验环境5.2 系统结构5.2.1 预处理5.2.2 聚类分析5.3 实验结果与性能分析5.3.1 实验结果5.3.2 性能分析5.4 小结第六章
总结与展望参考文献相似论文,84
页,TP311.132.3,62
页,TP311.132.3,50页,TP311.132.3,64页,TP311.132.3,85页,TP311.132.3,74页,TP311.132.3,67页,TP311.132.3,59页,TP311.132.3,74页,TP311.132.3,58页,TP311.13
R2-03,91页,TP311.132.3,59页,TP311.52 F270.7,78页,TP311.132.3,84页,TP311.56,53页,TP311.13,68页,TP311.132.3,57页,TP311.132.3,50页,TP311.52 G434,63页,TP311.132.3,49页,TP317.1
TP393.08中图分类:
> TP311.132.3 > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机软件 > 程序设计、软件工程
& 2012 book.