| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 选题的背景及意义 | 第9页 |
| 1.2 国内外研究进展 | 第9-11页 |
| 1.2.1 蚁群算法的研究进展 | 第9-10页 |
| 1.2.2 蚁群聚类算法的研究进展 | 第10-11页 |
| 1.3 论文主要内容及框架 | 第11-13页 |
| 2 相关知识简介 | 第13-22页 |
| 2.1 数据挖掘技术简介 | 第13-14页 |
| 2.1.1 数据挖掘定义及过程 | 第13页 |
| 2.1.2 常用的数据挖掘方法 | 第13-14页 |
| 2.2 聚类分析知识简介 | 第14-21页 |
| 2.2.1 聚类概念及聚类过程 | 第14-15页 |
| 2.2.2 数据规范化 | 第15-16页 |
| 2.2.3 相似性及其度量 | 第16-18页 |
| 2.2.4 常用的聚类算法 | 第18-20页 |
| 2.2.5 聚类的有效性指标 | 第20-21页 |
| 2.3 小结 | 第21-22页 |
| 3 蚁群聚类算法 | 第22-29页 |
| 3.1 蚁群算法概述 | 第22-24页 |
| 3.2 基于蚁群觅食行为的聚类算法 | 第24-28页 |
| 3.2.1 ACCA算法的基本原理 | 第24-25页 |
| 3.2.2 ACCA算法步骤及流程图 | 第25-26页 |
| 3.2.3 ACCA算法性能分析 | 第26-28页 |
| 3.3 小结 | 第28-29页 |
| 4 一种局部改进的K均值蚁群聚类算法 | 第29-40页 |
| 4.1 K均值与ACCA算法结合 | 第29-30页 |
| 4.2 一种局部改进的K均值蚁群聚类算法 | 第30-34页 |
| 4.2.1 改进思想 | 第30-33页 |
| 4.2.2 算法实现步骤 | 第33-34页 |
| 4.3 算法仿真实验 | 第34-39页 |
| 4.3.1 数据集简介 | 第34-35页 |
| 4.3.2 仿真实验 | 第35-39页 |
| 4.4 小结 | 第39-40页 |
| 5 两阶段蚁群聚类算法 | 第40-51页 |
| 5.1 改进思想 | 第40-43页 |
| 5.2 算法步骤及流程图 | 第43-46页 |
| 5.3 算法仿真实验 | 第46-50页 |
| 5.4 小结 | 第50-51页 |
| 6 改进算法的应用 | 第51-62页 |
| 6.1 改进算法在图像处理中的应用 | 第51-54页 |
| 6.1.1 图像分割的定义 | 第51页 |
| 6.1.2 基于改进聚类算法的图像分割步骤 | 第51-52页 |
| 6.1.3 图像仿真实验 | 第52-54页 |
| 6.2 改进算法在各省份经济实力划分中的应用 | 第54-61页 |
| 6.2.1 背景介绍 | 第54页 |
| 6.2.2 中国各省份经济实力划分指标的选取与数据处理 | 第54-58页 |
| 6.2.3 实验结果 | 第58-60页 |
| 6.2.4 实际意义 | 第60-61页 |
| 6.3 小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 附录A 各省份据各项指标单独排序结果 | 第67-69页 |
| 攻读学位期间的研究成果 | 第69页 |