| 摘要 | 第1-7页 |
| ABSTRACT | 第7-15页 |
| 第一章 绪论 | 第15-32页 |
| ·研究背景与意义 | 第15-19页 |
| ·国内外研究现状及分析 | 第19-26页 |
| ·研究内容、重点与难点 | 第26-28页 |
| ·本文主要工作成果和结构安排 | 第28-31页 |
| ·本文的主要工作与取得的成果 | 第28-30页 |
| ·本文的结构安排 | 第30-31页 |
| ·小结 | 第31-32页 |
| 第二章 特征选择的方法与测度 | 第32-38页 |
| ·特征选择的基本方法 | 第32-34页 |
| ·特征选择的评估准则 | 第34-35页 |
| ·特征选择的重要测度 | 第35-37页 |
| ·小结 | 第37-38页 |
| 第三章 群智与优化 | 第38-52页 |
| ·群智优化的起源 | 第38-39页 |
| ·群智方法 | 第39-51页 |
| ·蚁群优化算法 | 第40-44页 |
| ·ACO算法的发展 | 第40-42页 |
| ·ACO算法原理 | 第42页 |
| ·ACO算法 | 第42-44页 |
| ·粒子群优化算法 | 第44-49页 |
| ·随机扩散搜索 | 第49-51页 |
| ·小结 | 第51-52页 |
| 第四章 基于群智的数据挖掘 | 第52-65页 |
| ·基于群智的数据挖掘框架 | 第52-53页 |
| ·GBAS的收敛性证明 | 第53-56页 |
| ·改进蚁群算法的收敛性 | 第56-58页 |
| ·实验 | 第58-62页 |
| ·不适用问题对策 | 第62-64页 |
| ·小结 | 第64-65页 |
| 第五章 自适应蚁群与支持向量机混合的特征选择与分类 | 第65-74页 |
| ·引言 | 第65-66页 |
| ·相关研究 | 第66页 |
| ·支持向量机 | 第66-67页 |
| ·AASVM方法 | 第67-71页 |
| ·实验结论 | 第71-73页 |
| ·小结 | 第73-74页 |
| 第六章 自适应蚁群与随机森林混合的基因选择与分类 | 第74-83页 |
| ·引言 | 第74-75页 |
| ·相关研究 | 第75页 |
| ·随机森林算法 | 第75-76页 |
| ·IARF方法 | 第76-79页 |
| ·实验与结论 | 第79-81页 |
| ·小结 | 第81-83页 |
| 第七章 改进粒子群与支持向量机混合的特征变换 | 第83-92页 |
| ·引言 | 第83页 |
| ·问题的提出 | 第83-84页 |
| ·相关研究 | 第84页 |
| ·PSO-FT-SVM方法 | 第84-87页 |
| ·实验 | 第87-90页 |
| ·小结 | 第90-92页 |
| 第八章 基于蚁群的聚类挖掘 | 第92-114页 |
| ·引言 | 第92页 |
| ·聚类分析的种类 | 第92-99页 |
| ·基于划分的聚类分析 | 第93页 |
| ·基于网格的聚类分析 | 第93-94页 |
| ·基于层次的聚类分析 | 第94页 |
| ·基于密度的聚类分析 | 第94页 |
| ·基于蚁群的聚类分析 | 第94-96页 |
| ·其它类别的聚类分析 | 第96-98页 |
| ·使用ACO的聚类挖掘 | 第98-99页 |
| ·ACACO方法 | 第99-101页 |
| ·实验与结论 | 第101-113页 |
| ·小结 | 第113-114页 |
| 第九章 总结与展望 | 第114-117页 |
| 参考文献 | 第117-126页 |
| 附录 | 第126-128页 |
| 致谢 | 第128-129页 |
| 攻读博士学位期间的公开发表的论文 | 第129页 |