| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 前言 | 第8-14页 |
| ·选题背景和意义 | 第8-9页 |
| ·人工免疫系统的研究内容和应用领域 | 第9页 |
| ·人工免疫系统在数据挖掘中的研究现状 | 第9-11页 |
| ·分类问题 | 第10页 |
| ·聚类问题 | 第10页 |
| ·人工免疫系统用于聚类问题的研究现状 | 第10-11页 |
| ·论文的研究内容和组织结构 | 第11-14页 |
| ·论文研究内容 | 第11-12页 |
| ·论文组织结构 | 第12-14页 |
| 2 生物免疫系统和人工免疫系统 | 第14-22页 |
| ·生物免疫系统 | 第14-17页 |
| ·生物免疫系统组成 | 第15-16页 |
| ·免疫识别和免疫应答 | 第16-17页 |
| ·人工免疫系统的基本概念和仿生机理 | 第17-22页 |
| ·人工免疫系统 | 第17页 |
| ·免疫学习和记忆 | 第17-18页 |
| ·免疫细胞模型 | 第18-19页 |
| ·亲和力计算 | 第19-20页 |
| ·抗体浓度抑制原理 | 第20-22页 |
| 3 模糊聚类分析 | 第22-28页 |
| ·聚类分析的基本概念 | 第22-25页 |
| ·聚类定义和主要聚类方法 | 第22-24页 |
| ·聚类准则函数 | 第24-25页 |
| ·典型划分聚类方法 | 第25-28页 |
| ·模糊C-均值算法 | 第25-27页 |
| ·模糊C-均值算法优缺点分析 | 第27-28页 |
| 4 基于人工免疫细胞模型的聚类分析算法(AICM-FCM) | 第28-38页 |
| ·免疫聚类算法背景介绍 | 第28页 |
| ·构造基于免疫机制的人工免疫细胞模型 | 第28-30页 |
| ·构造基于人工免疫细胞模型的聚类分析(AICM-FCM) | 第30-34页 |
| ·人工免疫细胞模型与聚类模型的对应 | 第30-31页 |
| ·二重选择策略 | 第31-32页 |
| ·自适应变异策略 | 第32页 |
| ·最优个体组合及优化 | 第32-33页 |
| ·算法流程 | 第33-34页 |
| ·实验分析 | 第34-38页 |
| ·AICM-FCM算法与经典FCM算法的比较 | 第34-36页 |
| ·AICM-FCM算法与其它聚类算法的比较 | 第36-38页 |
| 5 基于免疫进化粒子群的动态聚类分析算法(IEPSO-DFCM) | 第38-50页 |
| ·粒子群聚类算法背景介绍 | 第38页 |
| ·构造基于免疫进化机制的动态聚类算法 | 第38-45页 |
| ·基于线性递减权的粒子群优化算法 | 第38-39页 |
| ·编码策略和适应度函数 | 第39-40页 |
| ·动态聚类的实现 | 第40-41页 |
| ·免疫信息进化处理机制 | 第41-44页 |
| ·算法流程 | 第44-45页 |
| ·实验分析 | 第45-50页 |
| ·动态聚类验证 | 第45-47页 |
| ·IEPSO-DFCM与其它聚类算法的比较 | 第47-48页 |
| ·AICM-FCM与IEPSO-DFCM的比较 | 第48-50页 |
| 6 总结与展望 | 第50-52页 |
| ·工作总结 | 第50-51页 |
| ·未来研究工作的展望 | 第51-52页 |
| 致谢 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 研究生期间发表论文 | 第58页 |
