基于粒子群优化的加权朴素贝叶斯分类研究
| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 引言 | 第12-18页 |
| ·研究目的和意义 | 第12-13页 |
| ·问题提出 | 第13页 |
| ·选题背景 | 第13-14页 |
| ·文献综述 | 第14-16页 |
| ·研究方法 | 第16-17页 |
| ·论文结构安排 | 第17-18页 |
| 第2章 数据挖掘概述 | 第18-36页 |
| ·数据挖掘的发展历程 | 第18-19页 |
| ·数据挖掘定义与知识发现 | 第19-20页 |
| ·挖掘的数据种类 | 第20-23页 |
| ·关系数据库 | 第20页 |
| ·数据仓库 | 第20-21页 |
| ·事务数据库 | 第21页 |
| ·高级数据系统 | 第21-23页 |
| ·数据预处理 | 第23-32页 |
| ·数据清理 | 第23-25页 |
| ·数据集成和变换 | 第25-26页 |
| ·数据归约 | 第26-32页 |
| ·数据挖掘中的分类方法 | 第32-36页 |
| ·决策树归纳 | 第32-33页 |
| ·贝叶斯分类 | 第33页 |
| ·基于规则的分类 | 第33页 |
| ·神经网络 | 第33-34页 |
| ·支持向量机 | 第34页 |
| ·关联分类 | 第34页 |
| ·惰性学习法 | 第34-36页 |
| 第3章 贝叶斯分类 | 第36-46页 |
| ·概率基础知识 | 第36-37页 |
| ·条件概率 | 第36页 |
| ·全概率 | 第36-37页 |
| ·事件的独立性 | 第37页 |
| ·贝叶斯定理 | 第37-38页 |
| ·朴素贝叶斯 | 第38-39页 |
| ·贝叶斯网络 | 第39-42页 |
| ·加权朴素贝叶斯 | 第42-46页 |
| ·增益率 | 第43-44页 |
| ·爬山算法 | 第44页 |
| ·马尔可夫链蒙特卡罗方法 | 第44-45页 |
| ·组合方法 | 第45-46页 |
| 第4章 粒子群优化算法 | 第46-64页 |
| ·基本粒子群算法 | 第46-52页 |
| ·最近邻速度匹配和震荡因子 | 第46-47页 |
| ·矢量 | 第47-48页 |
| ·去除附属变量 | 第48-49页 |
| ·多维搜索 | 第49页 |
| ·基于距离的加速 | 第49页 |
| ·简化版本 | 第49-50页 |
| ·算法描述 | 第50-52页 |
| ·带惯性权重的粒子群算法 | 第52-53页 |
| ·模糊自适应粒子群优化算法 | 第53-55页 |
| ·带收缩因子的粒子群算法 | 第55-56页 |
| ·粒子群算法的分析 | 第56-64页 |
| ·代数分析 | 第56-61页 |
| ·解析分析 | 第61-64页 |
| 第5章 基于粒子群优化的加权朴素贝叶斯分类 | 第64-72页 |
| ·算法原理 | 第64-68页 |
| ·算法的一般过程 | 第64页 |
| ·训练数据准备 | 第64-65页 |
| ·计算概率 | 第65-67页 |
| ·执行粒子群优化 | 第67-68页 |
| ·预测分类 | 第68页 |
| ·基于粒子群优化的加权朴素贝叶斯算法过程 | 第68-69页 |
| ·实验 | 第69-72页 |
| 第6章 结论 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 附录 | 第78-87页 |
| 致谢 | 第87-88页 |
| 本人在读期间完成的研究成果 | 第88页 |
