| 1 绪论 | 第8-17页 |
| 1．1 数据挖掘的兴起和发展 | 第8-10页 |
| 1．1．1 数据挖掘起源 | 第8-9页 |
| 1．1．2 数据挖掘研究现状 | 第9-10页 |
| 1．2 计算智能的历史和国内外发展现状 | 第10-12页 |
| 1．2．1 计算智能的历史渊源 | 第10-11页 |
| 1．2．2 计算智能的发展状况 | 第11-12页 |
| 1．2．3 模拟退火算法的提出及研究现状 | 第12页 |
| 1．3 计算智能方法在数据挖掘中的应用 | 第12-15页 |
| 1．3．1 数据挖掘过程计算智能方法的特点 | 第13-14页 |
| 1．3．2 数据挖掘过程中计算智能方法的应用 | 第14-15页 |
| 1．4 数据挖掘中的聚类分析 | 第15-16页 |
| 1．5 本文的主要工作 | 第16-17页 |
| 2 数据挖掘中聚类分析方法比较研究 | 第17-28页 |
| 2．1 数据挖掘概述 | 第17-22页 |
| 2．1．1 知识发现和数据挖掘的概念 | 第17-18页 |
| 2．1．2 数据挖掘的任务 | 第18-19页 |
| 2．1．3 数据挖掘的对象 | 第19页 |
| 2．1．4 数据挖掘的方法和技术 | 第19-21页 |
| 2．1．5 数据挖掘的知识表示 | 第21-22页 |
| 2．2 聚类分析的发展研究现状 | 第22-23页 |
| 2．3 常用聚类算法比较研究 | 第23-28页 |
| 2．3．1 聚类方法的典型要求 | 第23页 |
| 2．3．2 主要聚类方法的分类及比较标准 | 第23-24页 |
| 2．3．3 数据挖掘领域中常用聚类方法的综合比较分析 | 第24-28页 |
| 3 摸拟退火理论及其算法结构 | 第28-42页 |
| 3．1 概述 | 第28-33页 |
| 3．1．1 物理退火过程和Metropolis准则 | 第29-30页 |
| 3．1．2 组合优化与物理退火的相似性 | 第30-33页 |
| 3．2 SA的算法结构及数学模型 | 第33-36页 |
| 3．2．1 算法结构 | 第33-35页 |
| 3．2．2 数学模型 | 第35-36页 |
| 3．3 模拟退火的渐近行为 | 第36-42页 |
| 3．3．1 平稳概率分布理论 | 第37-39页 |
| 3．3．2 模拟退火的非时齐马氏链 | 第39-41页 |
| 3．3．3 经典模拟退火算法的局限 | 第41-42页 |
| 4 模拟退火算法的改进及其在聚类分析中的应用研究 | 第42-56页 |
| 4．1 数据聚类中的传统模拟退火算法 | 第42-43页 |
| 4．2 模拟退火算法关键参数和操作的设计 | 第43-46页 |
| 4．2．1 状态产生函数 | 第43页 |
| 4．2．2 状态接受函数 | 第43-44页 |
| 4．2．3 起始温度的选取 | 第44页 |
| 4．2．4 温度更新函数的确定 | 第44-45页 |
| 4．2．5 内循环终止准则 | 第45页 |
| 4．2．6 算法的终止准则（外循环终止准则） | 第45-46页 |
| 4．3 模拟退火算法的改进 | 第46-49页 |
| 4．3．1 可行的改进方案 | 第46页 |
| 4．3．2 两阶段的综合的改进策略 | 第46-49页 |
| 4．4 模拟退火算法在新股上市首日收益率聚类分析中应用 | 第49-56页 |
| 4．4．1 数据清理 | 第50-51页 |
| 4．4．2 聚类实例分析 | 第51-54页 |
| 4．4．3 算法性能分析 | 第54-56页 |
| 5 结论与展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-59页 |
