基于改进的蚁群算法在分类规则中的应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-15页 |
| ·课题的研究背景与意义 | 第9-12页 |
| ·研究背景与意义 | 第9-10页 |
| ·管理质量发展现状 | 第10-12页 |
| ·蚁群算法的发展 | 第12页 |
| ·数据分类方法的发展 | 第12页 |
| ·课题的主要研究内容 | 第12-13页 |
| ·本文的组织结构 | 第13-15页 |
| 2 分类问题的原理及方法 | 第15-25页 |
| ·数据挖掘技术概念 | 第15-19页 |
| ·数据挖掘的定义 | 第15页 |
| ·数据挖掘基本过程 | 第15-17页 |
| ·数据挖掘的主要方法 | 第17-19页 |
| ·数据分类概述 | 第19-21页 |
| ·建立分类模型 | 第19-20页 |
| ·测试分类模型 | 第20-21页 |
| ·数据分类常用方法概述 | 第21-24页 |
| ·决策树算法 | 第21页 |
| ·贝叶斯分类算法 | 第21-22页 |
| ·基于关联规则的分类算法 | 第22页 |
| ·基于神经网络的分类方法 | 第22页 |
| ·支持向量机(SVM) | 第22-23页 |
| ·向量空间模型(VSM) | 第23-24页 |
| ·遗传算法 | 第24页 |
| ·其他分类方法 | 第24页 |
| ·本章小结 | 第24-25页 |
| 3 蚁群算法概述及改进 | 第25-43页 |
| ·群智能概述 | 第25-26页 |
| ·蚁群算法基本原理及算法概述 | 第26-29页 |
| ·蚁群算法基本原理 | 第26-28页 |
| ·蚁群算法特点 | 第28-29页 |
| ·蚁群算法发展现状 | 第29-36页 |
| ·蚂蚁算法(AS) | 第29-31页 |
| ·蚁群系统算法(ACS) | 第31-33页 |
| ·最大最小蚂蚁系统(MMAS) | 第33-36页 |
| ·蚁群算法优化改进 | 第36-42页 |
| ·NIAS算法改进思想 | 第36-39页 |
| ·实验结果分析比较 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 4 基于蚁群算法的分类算法及应用 | 第43-57页 |
| ·Ant-Miner概括 | 第43-46页 |
| ·Ant-Miner实现描述 | 第46-51页 |
| ·算法初始化 | 第46-47页 |
| ·属性选择概率 | 第47-48页 |
| ·启发函数 | 第48-49页 |
| ·规则修剪 | 第49-50页 |
| ·信息素更新 | 第50-51页 |
| ·质量控制中蚁群分类算法的应用 | 第51-56页 |
| ·问题描述 | 第51-53页 |
| ·问题建模 | 第53-54页 |
| ·算法实现 | 第54-55页 |
| ·实验结果分析 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 5 总结和展望 | 第57-60页 |
| ·研究工作总结 | 第57-58页 |
| ·今后工作展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第63页 |
