| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状综述 | 第12-18页 |
| 1.2.1 脉冲神经膜系统的研究现状 | 第12-15页 |
| 1.2.2 聚类算法的研究现状 | 第15-17页 |
| 1.2.3 基于细胞型和神经型的聚类算法研究现状 | 第17-18页 |
| 1.3 论文的组织结构及研究内容 | 第18-20页 |
| 1.3.1 论文主要内容与安排 | 第18-19页 |
| 1.3.2 论文创新点与难点 | 第19页 |
| 1.3.3 论文的基本结构 | 第19-20页 |
| 1.4 本章小结 | 第20-21页 |
| 第2章 脉冲神经膜系统与粒子群算法概述 | 第21-33页 |
| 2.1 脉冲神经膜系统 | 第21-28页 |
| 2.1.1 脉冲神经膜系统的基本概念 | 第21-23页 |
| 2.1.2 脉冲神经膜系统的分类 | 第23-25页 |
| 2.1.3 脉冲神经膜系统的形式化定义 | 第25-27页 |
| 2.1.4 脉冲神经膜系统实例分析 | 第27-28页 |
| 2.2 粒子群算法 | 第28-30页 |
| 2.2.1 粒子群算法简介 | 第28-29页 |
| 2.2.2 粒子群优化算法标准形式 | 第29-30页 |
| 2.3 粒子群聚类算法 | 第30-31页 |
| 2.4 脉冲神经膜系统下粒子群算法的应用研究 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于SN P系统的改进粒子群优化聚类算法研究 | 第33-40页 |
| 3.1 基于SN P系统的改进粒子群优化聚类模型 | 第33-34页 |
| 3.2 基于SN P系统的改进粒子群算法研究 | 第34-36页 |
| 3.2.1 改进算法的设计 | 第34页 |
| 3.2.2 编码方案及适应度选择 | 第34-36页 |
| 3.3 SNPSOKM模型下聚类的实现 | 第36-39页 |
| 3.3.1 SNPSOKM的进化规则 | 第36-38页 |
| 3.3.2 粒子群算法与K-means算法转换 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于SN P系统的改进层次聚类算法研究 | 第40-49页 |
| 4.1 基本层次聚类 | 第40-42页 |
| 4.2 改进的层次聚类算法 | 第42-43页 |
| 4.2.1 基于MST的凝聚层次聚类 | 第42-43页 |
| 4.2.2 聚类结果评价 | 第43页 |
| 4.3 扩展的SN P系统解决层次聚类问题 | 第43-48页 |
| 4.3.1 扩展SN P系统的结构 | 第43-45页 |
| 4.3.2 算法设计 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 基于SN P系统的聚类算法应用研究 | 第49-60页 |
| 5.1 基于SN P系统的改进粒子群聚类算法形式化验证仿真与分析 | 第49-53页 |
| 5.1.1 仿真实验数据集 | 第49-50页 |
| 5.1.2 SNPSOKM算法性能检测与分析 | 第50-53页 |
| 5.2 基于SN P系统的层次聚类在社交网络中的应用 | 第53-59页 |
| 5.2.1 社交网络概述 | 第53-54页 |
| 5.2.2 社交网络中的友谊建立 | 第54-55页 |
| 5.2.3 实验和聚类结果 | 第55-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 论文的主要研究内容 | 第60-61页 |
| 6.2 工作展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读学位期间的论文发表及项目参与情况 | 第67-68页 |
| 致谢 | 第68页 |
