基于群体智能的聚类算法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-15页 |
| ·研究的背景和意义 | 第10-11页 |
| ·数据挖掘概述 | 第11-12页 |
| ·数据挖掘的发展背景 | 第11页 |
| ·数据挖掘的研究现状 | 第11-12页 |
| ·聚类分析在数据挖掘中的应用 | 第12页 |
| ·聚类分析的研究现状 | 第12-13页 |
| ·本文的主要内容及组织结构 | 第13-15页 |
| ·本文的主要内容 | 第13页 |
| ·本文的结构 | 第13-15页 |
| 第二章 聚类分析 | 第15-22页 |
| ·聚类概述 | 第15页 |
| ·聚类面临的挑战 | 第15-16页 |
| ·聚类分析中的数据结构和数据类型 | 第16-19页 |
| ·聚类分析中的数据结构 | 第16-17页 |
| ·聚类分析中的数据类型 | 第17-19页 |
| ·聚类分析中的主要算法 | 第19-21页 |
| ·划分方法 | 第19-20页 |
| ·层次方法 | 第20页 |
| ·基于密度的方法 | 第20页 |
| ·基于模型的方法 | 第20-21页 |
| ·基于网格的方法 | 第21页 |
| ·聚类算法比较 | 第21页 |
| ·本章小结 | 第21-22页 |
| 第三章 群体智能 | 第22-26页 |
| ·群体智能的概念和特点 | 第22页 |
| ·群体智能的概念 | 第22页 |
| ·群体智能的特点 | 第22页 |
| ·群体智能的两种模式 | 第22-25页 |
| ·蚁群优化算法 | 第23-24页 |
| ·蚁群聚类算法 | 第24页 |
| ·粒子群优化算法 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第四章 基于蚁群算法的聚类分析研究 | 第26-35页 |
| ·基本蚁群算法 | 第26-27页 |
| ·基本蚁群算法的机制原理 | 第26-27页 |
| ·基本蚁群算法的优点和不足之处 | 第27页 |
| ·蚁群算法的改进 | 第27页 |
| ·基本蚁群聚类模型 | 第27-28页 |
| ·LF聚类分析模型 | 第28-31页 |
| ·改进的基本蚁群聚类算法 | 第31-34页 |
| ·群体相似度的改进 | 第31页 |
| ·概率转换函数的改进 | 第31-32页 |
| ·规则设定 | 第32页 |
| ·差异性比例因子α的自适应调整 | 第32-33页 |
| ·算法描述 | 第33页 |
| ·实验分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第五章 基于粒子群算法的聚类分析研究 | 第35-44页 |
| ·基本粒子群优化算法 | 第35-37页 |
| ·算法原理 | 第35-36页 |
| ·算法参数 | 第36页 |
| ·算法步骤 | 第36-37页 |
| ·PSO的研究现状 | 第37页 |
| ·带变异操作的粒子群聚类算法模型设计 | 第37-41页 |
| ·聚类准则函数的选择 | 第37-39页 |
| ·编码方案 | 第39页 |
| ·适应度函数设计 | 第39页 |
| ·权重的非线性变化 | 第39-40页 |
| ·粒子的变异操作 | 第40-41页 |
| ·算法描述 | 第41-42页 |
| ·实验分析 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第六章 结论与展望 | 第44-45页 |
| ·结论 | 第44页 |
| ·展望 | 第44-45页 |
| 参考文献 | 第45-50页 |
| 致谢 | 第50-51页 |
| 附录 (攻读硕士学位期间发表录用论文) | 第51页 |
