| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 研究现状与进展 | 第9-11页 |
| 1.3 研究内容与结构 | 第11-13页 |
| 2 聚类算法概述 | 第13-17页 |
| 2.1 聚类分析 | 第13-15页 |
| 2.1.1 聚类的含义及方法 | 第13页 |
| 2.1.2 聚类的相似性度量 | 第13-14页 |
| 2.1.3 聚类的准则函数 | 第14-15页 |
| 2.2 K-means聚类算法 | 第15-17页 |
| 2.2.1 K-means算法介绍 | 第15页 |
| 2.2.2 K-means算法的优缺点 | 第15-17页 |
| 3. 基于花粉算法的K均值聚类算法 | 第17-29页 |
| 3.1 花粉算法 | 第17-19页 |
| 3.1.1 花粉算法的原理 | 第17-18页 |
| 3.1.2 花粉算法的参数选择 | 第18-19页 |
| 3.2 基于高斯扰动的花粉算法(GFPA) | 第19-23页 |
| 3.2.1 改进的花粉算法 | 第19页 |
| 3.2.2 改进花粉算法的步骤 | 第19-20页 |
| 3.2.3 FPA算法和GFPA算法的仿真对比 | 第20-23页 |
| 3.3 基于改进花粉算法的K-means聚类算法 | 第23-28页 |
| 3.3.1 孤立点的检测与处理 | 第23-24页 |
| 3.3.2 GFPA-Kmeans聚类算法 | 第24-25页 |
| 3.3.3 仿真实验与分析 | 第25-28页 |
| 3.4 本章小结 | 第28-29页 |
| 4. 基于蝙蝠算法的K均值聚类算法 | 第29-43页 |
| 4.1 蝙蝠算法 | 第29-31页 |
| 4.1.1 蝙蝠算法的原理 | 第29-30页 |
| 4.1.2 蝙蝠算法的参数选择 | 第30-31页 |
| 4.2 蝙蝠算法的改进(SANBA) | 第31-36页 |
| 4.2.1 改进的蝙蝠算法 | 第31-32页 |
| 4.2.2 改进蝙蝠算法的步骤 | 第32页 |
| 4.2.3 BA算法与SANBA算法的仿真对比 | 第32-36页 |
| 4.3 基于改进蝙蝠算法的K-means聚类算法 | 第36-41页 |
| 4.3.1 SANBA-Kmeans聚类算法 | 第36页 |
| 4.3.2 SANBA-Kmeans聚类算法的步骤 | 第36-37页 |
| 4.3.3 仿真实验与分析 | 第37-41页 |
| 4.4 本章小结 | 第41-43页 |
| 5. 改进的K均值聚类算法在农业方面的应用 | 第43-53页 |
| 5.1 指标与数据的选取 | 第43-44页 |
| 5.2 数据的预处理 | 第44-48页 |
| 5.3 改进的K均值聚类算法在农业方面的聚类分析 | 第48-52页 |
| 5.3.1 基于花粉算法的K均值聚类算法的聚类结果 | 第49-50页 |
| 5.3.2 基于蝙蝠算法的K均值聚类算法的聚类结果 | 第50-51页 |
| 5.3.3 聚类结果分析 | 第51-52页 |
| 5.4 本章小结 | 第52-53页 |
| 6. 总结与展望 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 附录 | 第61-63页 |
| 作者攻读学位期间发表学术论文清单 | 第63-65页 |
| 致谢 | 第65页 |
