| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景与研究意义 | 第9页 |
| 1.2 研究现状与进展 | 第9-12页 |
| 1.2.1 国外研究现状、发展动态 | 第9-10页 |
| 1.2.2 国内研究现状、发展动态 | 第10-12页 |
| 1.3 研究内容与结构 | 第12-13页 |
| 2 聚类分析 | 第13-19页 |
| 2.1 基于划分方法的聚类算法中的相似度 | 第14-16页 |
| 2.2 基于划分方法中的聚类准则函数 | 第16-17页 |
| 2.3 总结 | 第17-19页 |
| 3 基于扰动因子的准则函数下的聚类算法 | 第19-31页 |
| 3.1 蚁群聚类算法 | 第19-21页 |
| 3.2 经典K-均值聚类算法 | 第21页 |
| 3.3 基于扰动因子的准则函数下的聚类算法 | 第21-22页 |
| 3.4 实验仿真及结果分析 | 第22-29页 |
| 3.4.1 数据预处理 | 第22-25页 |
| 3.4.2 实验结果及分析 | 第25-29页 |
| 3.5 结论 | 第29-31页 |
| 4 基于扰动因子的相似度下的聚类算法 | 第31-37页 |
| 4.1 基于扰动因子的相似度下的聚类算法 | 第31-32页 |
| 4.2 实验仿真 | 第32-35页 |
| 4.3 结论 | 第35-37页 |
| 5 基于加权马氏距离的蚁群聚类算法及其应用 | 第37-47页 |
| 5.1 基于加权马氏距离的蚁群聚类算法 | 第37-39页 |
| 5.1.1 改进思想 | 第37-38页 |
| 5.1.2 变异系数法确定权值 | 第38页 |
| 5.1.3 基于加权马氏距离的蚁群聚类算法的基本步骤 | 第38-39页 |
| 5.2 实验仿真 | 第39-42页 |
| 5.3 基于M-ACCA下的股票聚类分析研究 | 第42-45页 |
| 5.4 结论 | 第45-47页 |
| 6 总结与展望 | 第47-49页 |
| 6.1 论文工作总结 | 第47页 |
| 6.2 问题与展望 | 第47-49页 |
| 参考文献 | 第49-55页 |
| 附录A | 第55-57页 |
| 作者攻读学位期间发表学术论文清单 | 第57-59页 |
| 致谢 | 第59页 |