基于人工鱼群的聚类算法在读者行为分析的应用研究
| 论文摘要 | 第4-5页 |
| Abstract of Thesis | 第5页 |
| 引言 | 第9-10页 |
| 1 绪论 | 第10-17页 |
| 1.1 选题背景和研究意义 | 第10-11页 |
| 1.2 研究现状 | 第11-16页 |
| 1.2.1 聚类分析技术的研究现状 | 第11-13页 |
| 1.2.2 群体智能算法的研究现状 | 第13-15页 |
| 1.2.3 行为分析的研究现状 | 第15-16页 |
| 1.3 本文的研究工作及论文结构 | 第16-17页 |
| 2 相关理论基础 | 第17-31页 |
| 2.1 聚类分析 | 第17-22页 |
| 2.1.1 什么是聚类分析 | 第17-18页 |
| 2.1.2 聚类分析的主要方法 | 第18-19页 |
| 2.1.3 聚类分析中的数据类型及结构 | 第19-20页 |
| 2.1.4 K-means 聚类算法 | 第20-22页 |
| 2.2 人工鱼群算法 | 第22-25页 |
| 2.2.1 相关定义 | 第22页 |
| 2.2.2 行为描述 | 第22-24页 |
| 2.2.3 算法描述 | 第24页 |
| 2.2.4 人工鱼群的发展趋势 | 第24-25页 |
| 2.3 现有的改进人工鱼群算法 | 第25-27页 |
| 2.3.1 初始化的改进 | 第25页 |
| 2.3.2 算法参数的改进 | 第25-26页 |
| 2.3.3 与其它算法相结合的改进 | 第26-27页 |
| 2.4 标准人工鱼群聚类算法 | 第27-30页 |
| 2.4.1 算法描述及流程图 | 第28-29页 |
| 2.4.2 实验结果及分析 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 基于改进人工鱼群的混合聚类算法 | 第31-36页 |
| 3.1 算法相关说明 | 第31-32页 |
| 3.1.1 人工鱼的初始化 | 第31页 |
| 3.1.2 视野 visual 的选择 | 第31-32页 |
| 3.1.3 融合粒子群策略的追尾算子 | 第32页 |
| 3.1.4 目标函数的选择 | 第32页 |
| 3.2 算法步骤 | 第32-33页 |
| 3.3 算法流程 | 第33-34页 |
| 3.4 实验结果及性能分析 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 实验数据处理及模型构建 | 第36-47页 |
| 4.1 数据的选择 | 第37-38页 |
| 4.2 数据的预处理 | 第38-43页 |
| 4.2.1 数据的抽取 | 第38-41页 |
| 4.2.2 数据的清洗 | 第41-42页 |
| 4.2.3 数据的转换与集成 | 第42-43页 |
| 4.3 分析模型的构建 | 第43-46页 |
| 4.3.1 读者借阅模型 | 第43-44页 |
| 4.3.2 图书流通模型 | 第44-45页 |
| 4.3.3 单本借阅特性模型 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 基于人工鱼群的聚类算法在读者行为分析的应用 | 第47-53页 |
| 5.1 读者行为分析的概述 | 第47页 |
| 5.2 基于人工鱼群的聚类算法的读者行为分析 | 第47-50页 |
| 5.2.1 读者借阅聚类 | 第47-49页 |
| 5.2.2 图书流通聚类 | 第49页 |
| 5.2.3 单本借阅特性聚类 | 第49-50页 |
| 5.3 结果分析 | 第50-52页 |
| 5.3.1 读者借阅聚类结果分析 | 第50-51页 |
| 5.3.2 图书流通聚类结果分析 | 第51-52页 |
| 5.3.3 单本借阅特性聚类结果分析 | 第52页 |
| 5.4 本章小结 | 第52-53页 |
| 6 结论与展望 | 第53-55页 |
| 6.1 结论 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 在学研究成果 | 第58-59页 |
| 致谢 | 第59页 |
