| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 论文的研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 粒子群算法的研究现状 | 第11-12页 |
| 1.2.2 聚类分析的研究现状 | 第12页 |
| 1.2.3 烟花算法的研究现状 | 第12-13页 |
| 1.2.4 灰色系统研究现状 | 第13页 |
| 1.3 论文框架结构 | 第13-15页 |
| 第2章 基础知识 | 第15-33页 |
| 2.1 粒子群优化算法 | 第15-18页 |
| 2.1.1 粒子群算法的基本原理 | 第15-17页 |
| 2.1.2 基本PSO算法的算法步骤和流程图 | 第17-18页 |
| 2.2 烟花算法简介 | 第18-25页 |
| 2.2.1 烟花算法基本模型 | 第19-21页 |
| 2.2.2 基本烟花算法的算法步骤及流程图 | 第21页 |
| 2.2.3 改进的烟花算法介绍 | 第21-25页 |
| 2.3 聚类分析 | 第25-28页 |
| 2.3.1 聚类问题模型 | 第25-26页 |
| 2.3.2 基本K-means方法 | 第26-28页 |
| 2.4 灰色系统相关知识简介 | 第28-32页 |
| 2.4.1 灰色GM(1,1)模型的建模过程 | 第28-30页 |
| 2.4.2 灰色序列算子生成 | 第30-31页 |
| 2.4.3 累积非等间距GM(1,1)模型 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 边界受限的粒子群聚类算法研究 | 第33-50页 |
| 3.1 粒子群算法的简化分析 | 第33-45页 |
| 3.1.1 带初值的粒子群系统的简化 | 第33-37页 |
| 3.1.2 粒子群算法收敛性条件分析 | 第37-45页 |
| 3.2 边界受限的粒子群聚类算法 | 第45-47页 |
| 3.2.1 边界受限的粒子群聚类算法介绍 | 第45-46页 |
| 3.2.2 粒子编码和适应度函数 | 第46-47页 |
| 3.3 边界受限的粒子群聚类算法步骤及算法流程 | 第47-48页 |
| 3.4 本章小结 | 第48-50页 |
| 第4章 边界受限的粒子群聚类算法的几个应用 | 第50-64页 |
| 4.1 基于Iris数据集的算法实验 | 第50-54页 |
| 4.1.1 问题描述 | 第50-51页 |
| 4.1.2 基于Iris数据集的实验结果比较与分析 | 第51-54页 |
| 4.2 基于Wine数据集的算法实验 | 第54-59页 |
| 4.2.1 问题描述 | 第54-55页 |
| 4.2.2 基于Wine数据集的实验结果比较与分析 | 第55-59页 |
| 4.3 基于Glass数据集的算法实验 | 第59-63页 |
| 4.3.1 问题描述 | 第59页 |
| 4.3.2 基于Glass数据集的实验结果比较与分析 | 第59-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第5章 新息累积非等间距GM(1,1)模型及其应用 | 第64-72页 |
| 5.1 新息累积非等间距GM(1,1)模型概述 | 第64页 |
| 5.2 改进的新息累积非等间距GM(1,1)模型 | 第64-67页 |
| 5.2.1 改进初始条件的新息累积非等间距GM(1,1)模型 | 第64-66页 |
| 5.2.2 改进背景值中未知数m的确定 | 第66-67页 |
| 5.2.3 改进背景值中未知数m的计算流程图 | 第67页 |
| 5.3 优化模型初始条件的有效区间定理及其证明 | 第67-69页 |
| 5.4 新息累积非等间距GM(1,1)模型的有效性验证 | 第69-71页 |
| 5.5 本章小结 | 第71-72页 |
| 结论 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第79-80页 |
| 致谢 | 第80页 |
