| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-12页 |
| ·研究背景及意义 | 第7-8页 |
| ·国内外研究现状 | 第8-10页 |
| ·聚类的研究现状 | 第8页 |
| ·特征降维的研究现状 | 第8-10页 |
| ·本文的主要研究内容 | 第10页 |
| ·本文组织结构 | 第10-12页 |
| 2 免疫遗传算法 | 第12-22页 |
| ·遗传算法 | 第12-14页 |
| ·一般遗传算法 | 第12-13页 |
| ·遗传算法的特点及存在的问题 | 第13-14页 |
| ·免疫算法 | 第14-19页 |
| ·生物免疫系统 | 第14-17页 |
| ·人工免疫算法 | 第17-18页 |
| ·免疫算法的特点 | 第18-19页 |
| ·免疫遗传算法基本原理 | 第19-21页 |
| ·免疫遗传算法的特点 | 第21页 |
| ·本章小结 | 第21-22页 |
| 3 聚类分析 | 第22-29页 |
| ·聚类分析概况 | 第22页 |
| ·聚类的数学描述 | 第22-23页 |
| ·聚类分析的数据结构 | 第23页 |
| ·聚类的相异性度量方法 | 第23-27页 |
| ·区间标度变量 | 第24-25页 |
| ·二元变量 | 第25-26页 |
| ·分类、序数和比例标度变量 | 第26页 |
| ·混合类型的变量 | 第26页 |
| ·向量对象 | 第26-27页 |
| ·主要的聚类方法 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 4 基于免疫遗传算法和k-medoids 算法相结合的聚类新方法 | 第29-42页 |
| ·基本k-medoids 算法简介 | 第29-31页 |
| ·改进的k-medoids 算法 | 第31-33页 |
| ·基于免疫遗传算法和k-medoids 算法相结合的动态聚类方法 | 第33-38页 |
| ·确定编码方式 | 第33-34页 |
| ·确定算法的参数 | 第34页 |
| ·生成初始种群 | 第34-35页 |
| ·确定适应度函数 | 第35-36页 |
| ·基于免疫原理的选择操作 | 第36-37页 |
| ·交叉操作 | 第37页 |
| ·变异操作 | 第37页 |
| ·采用k-medoids 算法进行聚类优化 | 第37页 |
| ·算法终止条件 | 第37-38页 |
| ·仿真实验 | 第38-41页 |
| ·本章小结 | 第41-42页 |
| 5 基于CHI 统计法和免疫遗传算法的文本特征降维方法 | 第42-53页 |
| ·文本特征降维方法综述 | 第42-46页 |
| ·特征选择 | 第42-45页 |
| ·特征提取 | 第45-46页 |
| ·文本聚类的预处理 | 第46-48页 |
| ·文本的特征表示 | 第46-47页 |
| ·文本的降维处理 | 第47-48页 |
| ·基于免疫遗传算法的文本特征提取方法 | 第48-50页 |
| ·对个体进行编码及初始化种群 | 第49页 |
| ·计算亲和度 | 第49页 |
| ·评价和选择 | 第49页 |
| ·遗传机制操作 | 第49-50页 |
| ·再一次的评价和选择 | 第50页 |
| ·消亡操作 | 第50页 |
| ·基于CHI 方法和免疫遗传算法相结合的文本特征降维方法 | 第50页 |
| ·仿真实验 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| ·总结 | 第53页 |
| ·展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 在读期间公开发表论文情况 | 第60页 |
