| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 引言 | 第9-13页 |
| ·研究背景和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·研究内容及组织结构 | 第11-13页 |
| 第2章 数据挖掘中传统的聚类分析方法 | 第13-24页 |
| ·数据挖掘概述 | 第13-15页 |
| ·类分析基础知识 | 第15-21页 |
| ·聚类分析的概念 | 第15-16页 |
| ·聚类分析中的度量 | 第16-17页 |
| ·主要的聚类分析算法分类 | 第17-21页 |
| ·K-means 算法 | 第21-23页 |
| ·K-means 算法的基本思想 | 第21页 |
| ·K-means 算法的具体流程 | 第21-22页 |
| ·K-means 算法的优缺点 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 基于交叉变异算子的自适应粒子群聚类算法 | 第24-39页 |
| ·群智能优化算法 | 第24-27页 |
| ·标准粒子群优化算法思想 | 第24-25页 |
| ·标准粒子群算法理论基础 | 第25-26页 |
| ·标准粒子群算法流程图 | 第26-27页 |
| ·提出的自适应惯性权重 | 第27-31页 |
| ·参数分析 | 第27-30页 |
| ·自适应惯性权重提出 | 第30-31页 |
| ·改进的交叉变异策略 | 第31-34页 |
| ·K-means 聚类算法缺陷分析 | 第31-32页 |
| ·基于适应度选择的交叉操作策略 | 第32-33页 |
| ·基于群适应度标准差的变异操作策略 | 第33-34页 |
| ·基于交叉变异算子的自适应粒子群聚类算法 | 第34-37页 |
| ·粒子编码方式 | 第34-35页 |
| ·终止条件 | 第35页 |
| ·适应度函数构造 | 第35-36页 |
| ·基于交叉变异算子的自适应粒子群优化聚类算法描述 | 第36-37页 |
| ·本章小结 | 第37-39页 |
| 第4章 基于交叉变异算子的自适应粒子群聚类算法在UCI 数据库中的应用 | 第39-44页 |
| ·UCI 数据库实验数据集描述 | 第39-40页 |
| ·结果评价标准 | 第40页 |
| ·实验环境以及实验结果分析 | 第40-43页 |
| ·实验环境 | 第40-41页 |
| ·实验分析 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第5章 总结与展望 | 第44-47页 |
| ·总结 | 第44-45页 |
| ·展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51-52页 |
| 附录A 攻读硕士学位期间录用的论文 | 第52页 |