基于二维细胞自动机的蚁群聚类研究及应用
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·引言 | 第7-8页 |
| ·国内外研究现状 | 第8-10页 |
| ·蚁群算法研究现状 | 第8-9页 |
| ·细胞自动机聚类算法研究现状 | 第9-10页 |
| ·本文的主要工作及组织结构 | 第10-11页 |
| 第二章 蚁群聚类及细胞自动机研究 | 第11-19页 |
| ·聚类概述 | 第11-13页 |
| ·聚类的概念及描述 | 第11页 |
| ·聚类分析的主要方法 | 第11-13页 |
| ·群体智能及蚁群模型 | 第13-15页 |
| ·群体智能介绍 | 第13-14页 |
| ·基于蚁堆形成原理的聚类模型 | 第14-15页 |
| ·基于蚁堆分巢行为启发的聚类模型 | 第15页 |
| ·两种聚类模型的比较分析 | 第15页 |
| ·细胞自动机 | 第15-18页 |
| ·细胞自动机介绍 | 第16页 |
| ·细胞自动机的邻居定义 | 第16-17页 |
| ·细胞自动机的转换规则 | 第17-18页 |
| ·小结 | 第18-19页 |
| 第三章 基于蚁群的聚类算法 | 第19-29页 |
| ·蚁群聚类基本模型 | 第19-20页 |
| ·BM 聚类算法模型 | 第19-20页 |
| ·LF 聚类算法模型 | 第20页 |
| ·基于 LF 聚类算法的改进 | 第20-23页 |
| ·缩放因子自适应 | 第21页 |
| ·策略改进 | 第21-22页 |
| ·基于实例库的推理和专家蚂蚁 | 第22-23页 |
| ·改进算法及实验分析 | 第23-27页 |
| ·改进算法具体实现 | 第23-24页 |
| ·实验结果及分析 | 第24-27页 |
| ·小结 | 第27-29页 |
| 第四章 基于强化学习改进的二维细胞自动机聚类 | 第29-39页 |
| ·强化学习 | 第29-32页 |
| ·强化学习的基本模型和原理 | 第29-30页 |
| ·强化学习系统的组成要素 | 第30-31页 |
| ·Q 学习 | 第31-32页 |
| ·基于 Q 学习的人工蚂蚁休眠模型改进 | 第32-37页 |
| ·人工蚂蚁休眠模型 | 第32-34页 |
| ·改进的 ASM 算法移动策略描述 | 第34-36页 |
| ·改进算法实现及实验分析 | 第36-37页 |
| ·小结 | 第37-39页 |
| 第五章 基于细胞簇合并的二维细胞自动机聚类及应用 | 第39-57页 |
| ·基于细胞簇合并的 ASM 算法改进 | 第39-45页 |
| ·带细胞簇的 ASM 算法 | 第39-40页 |
| ·带细胞簇的 ASM 算法改进 | 第40-43页 |
| ·改进算法实验及分析 | 第43-45页 |
| ·改进算法应用于孤立点检测 | 第45-50页 |
| ·孤立点介绍 | 第45-47页 |
| ·孤立点检测方法 | 第47-48页 |
| ·算法实验及分析 | 第48-50页 |
| ·改进算法应用于人工数据集新类别识别 | 第50-52页 |
| ·新类别介绍 | 第50页 |
| ·算法实验及分析 | 第50-52页 |
| ·改进算法应用于雷达辐射源新类别识别 | 第52-55页 |
| ·雷达辐射源介绍 | 第52-53页 |
| ·算法实验及分析 | 第53-55页 |
| ·小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| ·工作总结 | 第57页 |
| ·展望 | 第57-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士期间的研究成果 | 第65-66页 |
