| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-22页 |
| 1.1 课题背景及研究意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 国内外数据挖掘研究现状和发展趋势 | 第13-15页 |
| 1.2.2 国内外聚类分析算法研究现状 | 第15-16页 |
| 1.2.3 人工蜂群算法研究现状 | 第16-19页 |
| 1.3 论文的研究内容和研究思路 | 第19-22页 |
| 1.3.1 研究内容 | 第19-20页 |
| 1.3.2 研究思路 | 第20-22页 |
| 第2章 聚类算法 | 第22-34页 |
| 2.1 聚类算法 | 第22-29页 |
| 2.1.1 聚类算法基本知识 | 第22-23页 |
| 2.1.2 聚类分析算法 | 第23-27页 |
| 2.1.3 聚类算法的一般步骤 | 第27-28页 |
| 2.1.4 聚类的评价标准 | 第28-29页 |
| 2.2 K-Means聚类算法 | 第29-33页 |
| 2.2.1 K-Means聚类算法基本描述 | 第29页 |
| 2.2.2 K-means聚类算法步骤 | 第29-31页 |
| 2.2.3 K-均值聚类算法的优缺点及改进方式 | 第31-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第3章 改进人工蜂群K-means算法 | 第34-57页 |
| 3.1 人工蜂群算法 | 第34-37页 |
| 3.1.1 蜂群行为描述 | 第34页 |
| 3.1.2 人工蜂群算法基本描述 | 第34-37页 |
| 3.2 改进人工蜂群算法 | 第37页 |
| 3.3 改进人工蜂群K-means算法 | 第37-40页 |
| 3.4 改进人工蜂群算法性能测试与分析 | 第40-56页 |
| 3.4.1 实验测试集 | 第40-41页 |
| 3.4.2 改进蜂群算法与标准蜂群算法、遗传算法以及进化算法比较 | 第41-49页 |
| 3.4.3 MABC同IABC、DE及PSO算法比较 | 第49-52页 |
| 3.4.4 MABC同GABC、EABC及ABC算法比较 | 第52-53页 |
| 3.4.5 测试limit值对蜂群算法性能的影响 | 第53-55页 |
| 3.4.6 结论 | 第55-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第4章 改进人工蜂群K-means算法在客户关系管理应用 | 第57-71页 |
| 4.1 客户关系管理基本行业背景 | 第57-59页 |
| 4.2 客户关系管理技术 | 第59-63页 |
| 4.2.1 CRM中的数据挖掘技术 | 第59-62页 |
| 4.2.2 面临的问题 | 第62-63页 |
| 4.3 改进人工蜂群K-means算法客户聚类应用 | 第63-66页 |
| 4.3.1 客户聚类 | 第63-64页 |
| 4.3.2 客户聚类基本描述 | 第64-65页 |
| 4.3.3 客户聚类模型建立 | 第65-66页 |
| 4.4 实验与分析 | 第66-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第5章 结论与展望 | 第71-73页 |
| 5.1 总结 | 第71-72页 |
| 5.2 展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻读学位期间公开发表论文 | 第78-79页 |
| 致谢 | 第79页 |
