基于蚁群算法的聚类分析在学生成绩评价中的应用研究
| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-18页 |
| ·课题研究背景及意义 | 第12-13页 |
| ·国内外研究现状 | 第13-14页 |
| ·国外研究现状 | 第13-14页 |
| ·国内研究现状 | 第14页 |
| ·本文研究的主要内容、目标与方法 | 第14-16页 |
| ·课题研究目标 | 第14-15页 |
| ·研究内容 | 第15页 |
| ·拟解决的关键问题 | 第15-16页 |
| ·研究方法及技术路线 | 第16页 |
| ·文章组织结构 | 第16-18页 |
| 第2章 数据挖掘与聚类分析 | 第18-29页 |
| ·数据挖掘概要介绍 | 第18-21页 |
| ·数据挖掘概念 | 第18-19页 |
| ·数据挖掘的基本过程 | 第19-20页 |
| ·数据挖掘的发现类别 | 第20-21页 |
| ·聚类分析介绍 | 第21-25页 |
| ·聚类的概念 | 第21-23页 |
| ·聚类与分类的差异 | 第23-24页 |
| ·聚类算法应具有的特点 | 第24-25页 |
| ·聚类分析方法 | 第25-27页 |
| ·基于划分的方法 | 第26页 |
| ·用代表点聚类 | 第26页 |
| ·基于网格的方法 | 第26页 |
| ·基于密度的方法 | 第26-27页 |
| ·基于模型的聚类方法 | 第27页 |
| ·基于层次的方法 | 第27页 |
| ·聚类分析的应用 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 群体智能与蚁群聚类算法 | 第29-37页 |
| ·群体智能概述 | 第29页 |
| ·蚁群算法原理 | 第29-32页 |
| ·蚁群算法特点 | 第32页 |
| ·基于蚁群算法的聚类分析 | 第32-36页 |
| ·蚁群聚类算法 | 第32-34页 |
| ·平均相似性的计算 | 第34-35页 |
| ·概率转换函数的计算 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 蚁群聚类算法的改进 | 第37-49页 |
| ·算法存在问题描述 | 第37-41页 |
| ·算法改进处一 | 第38页 |
| ·算法改进处二 | 第38-40页 |
| ·改进算法描述 | 第40-41页 |
| ·算法收敛速度测试实验 | 第41-43页 |
| ·算法聚类准确性测试实验 | 第43-48页 |
| ·聚类测试实验一 | 第44-46页 |
| ·聚类测试实验二 | 第46-48页 |
| ·本章总结 | 第48-49页 |
| 第5章 聚类分析应用于学生成绩评价 | 第49-59页 |
| ·学生成绩综合评价 | 第49-52页 |
| ·蚁群聚类算法学生综合成绩聚类结果 | 第50-51页 |
| ·K-Means算法学生综合成绩聚类结果 | 第51页 |
| ·学生成绩综合评价分析 | 第51-52页 |
| ·学生成绩等级评价 | 第52-54页 |
| ·学生成绩评价的方式 | 第52-53页 |
| ·等级评价制的方法 | 第53-54页 |
| ·学生成绩等级评价实验 | 第54-57页 |
| ·学生成绩等级原始评价结果 | 第54-55页 |
| ·学生成绩蚁群聚类算法聚类结果 | 第55-57页 |
| ·实验对比结论 | 第57页 |
| ·本章小结 | 第57-59页 |
| 第6章 总结与展望 | 第59-62页 |
| ·研究总结 | 第59-60页 |
| ·研究展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间发表的论文 | 第66页 |
