基于改进群体智能算法的数据分类学习模型研究
| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第1章 引言 | 第12-20页 |
| 1.1 研究目的与意义 | 第12-15页 |
| 1.2 数据分类方法研究现状 | 第15-17页 |
| 1.2.1 数据分类常见方法 | 第15页 |
| 1.2.2 蚁群分类算法研究进展 | 第15-16页 |
| 1.2.3 基于基因表达式编程分类算法研究概述 | 第16-17页 |
| 1.3 研究目标与主要研究内容 | 第17-18页 |
| 1.3.1 研究目标 | 第17页 |
| 1.3.2 主要研究内容 | 第17-18页 |
| 1.4 论文的组织结构 | 第18-20页 |
| 第2章 数据分类问题的原理及方法 | 第20-26页 |
| 2.1 数据挖掘技术 | 第20-21页 |
| 2.1.1 数据挖掘的定义 | 第20页 |
| 2.1.2 数据挖掘的基本过程 | 第20-21页 |
| 2.1.3 数据挖掘的主要方法 | 第21页 |
| 2.2 数据分类技术 | 第21-23页 |
| 2.2.1 数据分类的定义 | 第21-22页 |
| 2.2.2 建立分类模型的过程与方法 | 第22页 |
| 2.2.3 分类模型的评估标准 | 第22-23页 |
| 2.3 数据分类常用方法概述 | 第23-25页 |
| 2.4 分类挖掘中的若干问题 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 蚁群分类算法原理 | 第26-36页 |
| 3.1 蚁群算法 | 第26-29页 |
| 3.1.1 蚁群优化算法的基本流程 | 第26-29页 |
| 3.1.2 蚁群优化算法的发展与改进 | 第29页 |
| 3.2 蚁群分类算法的基本原理 | 第29-33页 |
| 3.2.1 蚁群分类算法产生背景 | 第29-30页 |
| 3.2.2 蚁群分类算法原理 | 第30-33页 |
| 3.3 蚁群分类算法改进研究 | 第33-35页 |
| 3.3.1 蚁群构建方法 | 第33页 |
| 3.3.2 状态转移规则 | 第33-34页 |
| 3.3.3 规则剪枝 | 第34页 |
| 3.3.4 信息素更新 | 第34-35页 |
| 3.3.5 其他改进方法 | 第35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 改进的蚁群数据分类建模算法研究 | 第36-60页 |
| 4.1 新算法的整体描述 | 第36页 |
| 4.2 规则构建方法 | 第36-38页 |
| 4.2.1 概率转移方法 | 第37页 |
| 4.2.2 新的信息素计算方法 | 第37-38页 |
| 4.2.3 启发式函数设计 | 第38页 |
| 4.3 规则剪枝方法 | 第38-39页 |
| 4.4 信息素更新方法 | 第39-40页 |
| 4.4.1 规则内属性节点信息素更新方法 | 第39页 |
| 4.4.2 规则外属性节点信息素更新方法 | 第39-40页 |
| 4.5 ANT-MINERPAE流程设计 | 第40-41页 |
| 4.6 实验及结果分析 | 第41-59页 |
| 4.6.1 数据集的设置和预处理 | 第41-42页 |
| 4.6.2 改进的蚁群分类算法参数设置 | 第42-43页 |
| 4.6.3 算法结果对比 | 第43-57页 |
| 4.6.4 计算复杂度分析 | 第57-58页 |
| 4.6.5 实验计算时间分析 | 第58-59页 |
| 4.7 本章小结 | 第59-60页 |
| 第5章 基本基因表达式编程算法关键技术及改进研究 | 第60-95页 |
| 5.1 基因表达式编程概述 | 第60-62页 |
| 5.2 基因表达式编程算法 | 第62-71页 |
| 5.2.1 染色体的组织结构 | 第62-64页 |
| 5.2.2 适应度函数的设定 | 第64-66页 |
| 5.2.3 选择函数 | 第66-68页 |
| 5.2.4 染色体的遗传操作 | 第68-71页 |
| 5.3 基因表达式编程算法的步骤 | 第71-73页 |
| 5.4 基因表达式算法的改进 | 第73-81页 |
| 5.4.1 基本算法的不足 | 第73-75页 |
| 5.4.2 算法改进的方法 | 第75-77页 |
| 5.4.3 改进效果 | 第77-81页 |
| 5.5 基于改进基因表达式编程的蔬菜价格预测 | 第81-93页 |
| 5.5.1 预测方法 | 第81-83页 |
| 5.5.2 基因表达式建模 | 第83-87页 |
| 5.5.3 预测结果的比较与分析 | 第87-93页 |
| 5.6 本章小结 | 第93-95页 |
| 第6章 基于改进的基因表达式编程分类模型研究 | 第95-118页 |
| 6.1 基本的基因表达式编程分类方法 | 第95-96页 |
| 6.2 精确与简洁的基因表达式编程分类方法 | 第96-97页 |
| 6.3 其它基因表达式分类算法 | 第97-98页 |
| 6.4 基于基因表达式的分类建模流程 | 第98-100页 |
| 6.5 构建基于改进基因表达式分类学习模型 | 第100-117页 |
| 6.5.1 动态均衡及跳出局部最优的改进策略 | 第100-101页 |
| 6.5.2 改进基因表达式编程建模 | 第101-102页 |
| 6.5.3 二元分类建摸 | 第102-111页 |
| 6.5.4 多元分类建摸 | 第111-117页 |
| 6.6 本章小结 | 第117-118页 |
| 第7章 结论与展望 | 第118-121页 |
| 7.1 结论 | 第118-119页 |
| 7.2 论文创新点 | 第119-120页 |
| 7.3 展望 | 第120-121页 |
| 致谢 | 第121-122页 |
| 参考文献 | 第122-130页 |
| 附录A 攻读博士学位期间的科研工作及科研成果 | 第130-133页 |
| 附录B ANT-MINERPAE算法核心框架 | 第133-135页 |
| 附录C 不同算法的中国蔬菜价格预测比较数据 | 第135-148页 |
| 附录D 基于改进GEP分类建模的测试数据对比 | 第148-158页 |
