首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文

基于改进布谷鸟算法的K中心点聚类分析及并行实现

摘要第9-10页
Abstract第10-11页
1 绪论第12-18页
    1.1 研究背景及意义第12-13页
    1.2 国内外研究现状第13-15页
        1.2.1 K中心点聚类算法研究现状第13-14页
        1.2.2 布谷鸟算法研究现状第14-15页
        1.2.3 MapReduce框架研究现状第15页
    1.3 本文主要研究内容及工作第15-16页
    1.4 本文组织结构第16-18页
2 相关理论基础第18-26页
    2.1 聚类第18-20页
        2.1.1 聚类定义第18页
        2.1.2 聚类方法第18-19页
        2.1.3 聚类分析中的准则函数第19页
        2.1.4 聚类分析基本步骤第19-20页
    2.2 K中心点聚类算法第20-21页
        2.2.1 K中心点算法思想第20页
        2.2.2 K中心点算法流程第20-21页
        2.2.3 K中心点算法优缺点第21页
    2.3 布谷鸟算法第21-23页
        2.3.1 布谷鸟算法仿生原理第21-22页
        2.3.2 布谷鸟算法思想第22页
        2.3.3 布谷鸟算法实现流程第22-23页
        2.3.4 布谷鸟算法的特点第23页
    2.4 MapReduce框架第23-25页
        2.4.1 MapReduce工作原理第23-24页
        2.4.2 MapReduce模型优点第24-25页
    2.5 本章小结第25-26页
3 基于改进布谷鸟算法的K中心点聚类分析第26-38页
    3.1 改进布谷鸟算法第26-30页
        3.1.1 改进布谷鸟算法提出的思路第26-28页
        3.1.2 ECS算法思想第28-29页
        3.1.3 ECS算法流程第29-30页
    3.2 ECS算法的实验分析第30-32页
        3.2.1 CS算法和ECS算法的对比实验第30页
        3.2.2 ECS算法在UCI数据集上的实验第30-32页
    3.3 ECS算法和K中心点算法的结合改进第32-33页
    3.4 ECS-KMD算法的实验分析第33-37页
        3.4.1 聚类质量分析第34-35页
        3.4.2 聚类结果准确性分析第35-36页
        3.4.3 聚类执行时间分析第36-37页
    3.5 本章小结第37-38页
4 基于MapReduce的ECS-KMD算法分析第38-46页
    4.1 单机串行ECS-KMD算法分析第38-39页
    4.2 基于MapReduce的ECS-KMD算法第39-40页
        4.2.1 算法思想第39页
        4.2.2 算法流程第39-40页
    4.3 实验结果与性能分析第40-45页
        4.3.1 实验环境第40页
        4.3.2 MapReduce框架分析第40-42页
        4.3.3 ECS-KMD并行算法性能分析第42-45页
    4.4 本章小结第45-46页
5 结论与展望第46-48页
    5.1 总结第46页
    5.2 展望第46-48页
参考文献第48-52页
致谢第52页

论文共52页,点击 下载论文
上一篇:禁止执行令制度研究
下一篇:网络问政的公众参与实证研究--以佛山市高明区为例