基于改进人工蜂群的K均值混合聚类算法及其应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 ABC算法研究现状 | 第10-11页 |
| 1.2.2 聚类研究现状 | 第11页 |
| 1.2.3 混合聚类研究现状 | 第11-12页 |
| 1.3 本文主要研究内容、工作 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第二章 相关技术理论综述 | 第14-28页 |
| 2.1 聚类 | 第14-17页 |
| 2.1.1 聚类的定义 | 第14页 |
| 2.1.2 聚类的主要步骤 | 第14页 |
| 2.1.3 聚类分析的相似度量 | 第14-16页 |
| 2.1.4 聚类分析的准则函数 | 第16页 |
| 2.1.5 聚类分析方法 | 第16-17页 |
| 2.2 KMC算法 | 第17-21页 |
| 2.2.1 K均值算法思想 | 第18页 |
| 2.2.2 K均值算法步骤 | 第18-19页 |
| 2.2.3 K均值算法的优点与缺点 | 第19-21页 |
| 2.3 群体智能算法 | 第21-24页 |
| 2.3.1 群体智能算法相关概念 | 第21-22页 |
| 2.3.2 常见群体智能算法简介 | 第22-24页 |
| 2.4 ABC算法 | 第24-27页 |
| 2.4.1 ABC算法基本思想 | 第24-25页 |
| 2.4.2 ABC算法的基本流程 | 第25-26页 |
| 2.4.3 ABC算法的优缺点 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于改进人工蜂群的K均值混合聚类算法 | 第28-42页 |
| 3.1 初始化 | 第28-31页 |
| 3.1.1 最大最小距离积算法提出的背景 | 第28-30页 |
| 3.1.2 最大最小距离积算法 | 第30-31页 |
| 3.2 适应度函数 | 第31-33页 |
| 3.3 位置更新公式 | 第33-34页 |
| 3.4 IABC-KMC算法 | 第34-35页 |
| 3.5 实验结果及分析 | 第35-41页 |
| 3.5.1 测试IABC算法的性能 | 第36-39页 |
| 3.5.2 测试IABC-KMC算法的性能 | 第39-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 IABC-KMC算法在社区划分中的应用 | 第42-54页 |
| 4.1 背景介绍 | 第42-46页 |
| 4.1.1 复杂网络的基本概念 | 第42-43页 |
| 4.1.2 复杂网络社区划分算法研究现状 | 第43-44页 |
| 4.1.3 常见社区划分算法 | 第44-45页 |
| 4.1.4 模块度 | 第45-46页 |
| 4.2 本文算法介绍 | 第46-48页 |
| 4.3 实验结果及分析 | 第48-53页 |
| 4.3.1 实验平台和测试数据集 | 第48-50页 |
| 4.3.2 划分结果和实验对比 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 结论 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 攻读学位期间的研究成果 | 第60-61页 |
