| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-9页 |
| 1 绪论 | 第9-15页 |
| ·研究背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·K-means算法研究现状 | 第10-11页 |
| ·森林火灾研究现状 | 第11-12页 |
| ·本文的主要工作 | 第12-13页 |
| ·本文的结构 | 第13-15页 |
| 2 聚类分析算法论述 | 第15-27页 |
| ·数据挖掘概论 | 第15-16页 |
| ·聚类的基本概念 | 第16-19页 |
| ·聚类的定义 | 第16页 |
| ·相似性度量方法 | 第16-18页 |
| ·准则函数 | 第18-19页 |
| ·聚类分析的步骤 | 第19-20页 |
| ·主要的聚类方法 | 第20-24页 |
| ·划分方法(Partitioning method) | 第20-21页 |
| ·层次的方法(Hierarehieal method) | 第21-22页 |
| ·基于密度的方法(Density-based method) | 第22页 |
| ·基于模型的方法(model-based method) | 第22-23页 |
| ·模糊聚类算法(Fuzzy clustering methods) | 第23-24页 |
| ·实际应用对聚类分析算法的要求 | 第24-27页 |
| 3 蚁群算法描述 | 第27-40页 |
| ·蚁群算法的起源 | 第27页 |
| ·蚁群算法的基本原理 | 第27-30页 |
| ·双桥实验 | 第28-29页 |
| ·蚂蚁觅食过程分析 | 第29-30页 |
| ·蚁群算法的数学模型及实现步骤 | 第30-35页 |
| ·旅行商问题 | 第31-32页 |
| ·蚁群算法的数学模型 | 第32-34页 |
| ·蚁群算法的实现步骤 | 第34-35页 |
| ·蚁群算法的性能分析 | 第35-37页 |
| ·蚁群算法的优点 | 第35-36页 |
| ·蚁群算法的不足 | 第36-37页 |
| ·蚁群算法的改进算法 | 第37-38页 |
| ·精英策略的蚁群系统 | 第37-38页 |
| ·最大最小蚁群系统(MMAS) | 第38页 |
| ·蚁群算法的应用 | 第38-40页 |
| 4 改进蚁群算法的聚类模型研究 | 第40-53页 |
| ·种群分类蚁群算法与蚂蚁的感觉知觉特征 | 第40-43页 |
| ·种群分类蚁群算法 | 第40-42页 |
| ·具有感觉知觉特征的蚁群算法 | 第42-43页 |
| ·改进的种群分类蚁群算法ICACA | 第43-45页 |
| ·ICACA算法的搜索前进策略 | 第43-44页 |
| ·ICACA算法的信息更新策略 | 第44-45页 |
| ·改进的蚁群聚类算法 | 第45-50页 |
| ·K-means算法 | 第46-47页 |
| ·改进的蚁群聚类算法的算法模型 | 第47-50页 |
| ·改进的蚁群聚类算法的仿真实验 | 第50-53页 |
| ·聚类效果对比 | 第50-51页 |
| ·聚类速度对比 | 第51-53页 |
| 5 改进的蚁群聚类算法在森林火灾预测中的应用 | 第53-63页 |
| ·森林火灾现状分析 | 第53-54页 |
| ·ICACA聚类算法在森林火灾预测中的应用 | 第54-58页 |
| ·算法的实现步骤 | 第54-57页 |
| ·数据挖掘算法应用流程 | 第57-58页 |
| ·ICACA聚类算法仿真结果及预测分析 | 第58-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 作者简历 | 第67-69页 |
| 学位论文数据集 | 第69页 |
