基于蚁群算法的聚类分析在学生成绩中的研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题的研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文的研究内容与方法 | 第11页 |
| 1.4 论文的主要内容和框架 | 第11-13页 |
| 第2章 数据挖掘与聚类分析 | 第13-32页 |
| 2.1 数据挖掘概要介绍 | 第13-16页 |
| 2.1.1 数据挖掘的概念 | 第13页 |
| 2.1.2 数据挖掘的任务 | 第13-14页 |
| 2.1.3 数据挖掘的过程 | 第14-15页 |
| 2.1.4 数据挖掘的应用 | 第15-16页 |
| 2.2 聚类分析 | 第16-31页 |
| 2.2.1 聚类分析的概念 | 第16-18页 |
| 2.2.2 数据挖掘对聚类分析的要求 | 第18-20页 |
| 2.2.3 聚类分析的数据类型及相似性测量方法 | 第20-23页 |
| 2.2.4 常用的聚类分析方法 | 第23-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 蚁群算法 | 第32-40页 |
| 3.1 群体智能 | 第32-33页 |
| 3.2 基本蚁群算法的思想和原理 | 第33-35页 |
| 3.3 基本蚁群算法的数学模型 | 第35-37页 |
| 3.4 蚁群算法的实现步骤 | 第37页 |
| 3.5 蚁群算法的性能分析 | 第37-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 蚁群聚类算法及其改进 | 第40-55页 |
| 4.1 蚁群聚类算法 | 第40-43页 |
| 4.1.1 基于蚂蚁觅食行为的蚁群聚类算法 | 第40-41页 |
| 4.1.2 基于蚂蚁自我聚集行为的蚁群聚类算法 | 第41-42页 |
| 4.1.3 基于蚁堆形成原理的蚁群聚类算法 | 第42-43页 |
| 4.1.4 基于化学识别的蚁群聚类算法 | 第43页 |
| 4.2 标准蚁群聚类算法及其改进 | 第43-54页 |
| 4.2.1 标准蚁群聚类算法介绍 | 第43-44页 |
| 4.2.2 LF算法的不足之处 | 第44-46页 |
| 4.2.3 LF算法的改进 | 第46-50页 |
| 4.2.4 算法仿真结果分析 | 第50-54页 |
| 4.3 本章小结 | 第54-55页 |
| 第5章 聚类分析应用于学生成绩评价 | 第55-63页 |
| 5.1 学生成绩评价的概念 | 第55页 |
| 5.2 问题的提出 | 第55-56页 |
| 5.3 对学生成绩的综合分析 | 第56-62页 |
| 5.3.1 实验设计 | 第57-60页 |
| 5.3.2 应用结果展示 | 第60页 |
| 5.3.3 聚类结果评价 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-66页 |
| 6.1 总结 | 第63-64页 |
| 6.2 展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-69页 |
