基于蚁群算法的数据挖掘方法研究
| 第1章 绪论 | 第1-12页 |
| ·引言 | 第8页 |
| ·国内外研究现状及未来发展趋势 | 第8-10页 |
| ·国外研究现状 | 第8-9页 |
| ·国内研究现状 | 第9-10页 |
| ·未来发展趋势分析 | 第10页 |
| ·论文的内容和组织 | 第10-12页 |
| 第2章 数据挖掘综述 | 第12-19页 |
| ·数据挖掘的概念 | 第12-13页 |
| ·数据挖掘的任务 | 第13-14页 |
| ·数据挖掘的分类 | 第14-15页 |
| ·数据挖掘的方法 | 第15-18页 |
| ·本章小结 | 第18-19页 |
| 第3章 聚类分析 | 第19-27页 |
| ·聚类分析的定义 | 第19页 |
| ·聚类分析的方法 | 第19-22页 |
| ·聚类分析中的数据类型 | 第22-25页 |
| ·聚类分析的度量标准 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第4章 蚁群算法 | 第27-36页 |
| ·群体智能的概念 | 第27-28页 |
| ·蚁群算法的产生 | 第28-29页 |
| ·蚁群算法的发展 | 第29-30页 |
| ·蚁群算法 | 第30-35页 |
| ·蚁群算法的原理 | 第30-32页 |
| ·蚁群算法的实现 | 第32-35页 |
| ·TSP问题的描述 | 第32页 |
| ·蚁群算法的描述 | 第32-34页 |
| ·蚁群算法的流程 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第5章 蚁群聚类组合算法 | 第36-51页 |
| ·基于信息熵的蚁群聚类方法 | 第36-41页 |
| ·基本蚁群聚类模型 | 第36页 |
| ·LF算法 | 第36-38页 |
| ·基于信息熵的蚁群聚类算法 | 第38-40页 |
| ·信息熵的概念 | 第38页 |
| ·引入信息熵的LF改进算法 | 第38-40页 |
| ·两种算法的比较分析 | 第40-41页 |
| ·基于信息素的K-means算法 | 第41-46页 |
| ·K-means算法 | 第41-42页 |
| ·基于信息素的K-means | 第42-44页 |
| ·两种算法的比较分析 | 第44-46页 |
| ·基于蚁群算法的聚类组合算法 | 第46-50页 |
| ·算法思想 | 第46-47页 |
| ·算法描述 | 第47-50页 |
| ·算法主流程图 | 第47-48页 |
| ·算法流程描述 | 第48-50页 |
| ·组合算法性能分析 | 第50页 |
| ·本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| ·研究工作总结 | 第51页 |
| ·今后工作展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 附录: 攻读学位期间发表的学术论文 | 第57-58页 |
| 致谢 | 第58页 |
