| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 数据挖掘分类模型 | 第9-10页 |
| 1.3 蚁群算法研究现状 | 第10-11页 |
| 1.4 本文的主要内容及其结构 | 第11-13页 |
| 第2章 蚁群系统及其算法原理 | 第13-20页 |
| 2.1 引言 | 第13页 |
| 2.2 生物蚁群系统 | 第13-14页 |
| 2.3 人工蚁群智能系统 | 第14-19页 |
| 2.3.1 人工蚁群智能系统术语 | 第14-15页 |
| 2.3.2 人工蚁群智能系统算法原理 | 第15-17页 |
| 2.3.3 人工蚁群智能系统在TSP问题中的应用 | 第17-18页 |
| 2.3.4 人工蚁群智能优化算法优缺点 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第3章 基于蚁群算法的数据分类问题研究 | 第20-38页 |
| 3.1 引言 | 第20-21页 |
| 3.2 基于蚁群算法的数据分类算法 | 第21-23页 |
| 3.3 新型蚁群分类算法Ant Minermbc | 第23-30页 |
| 3.3.1 搜索图构建 | 第25-26页 |
| 3.3.2 分类器构建 | 第26-30页 |
| 3.3.2.1 分类规则的属性选择概率 | 第26页 |
| 3.3.2.2 新型启发式因子 | 第26-27页 |
| 3.3.2.3 新型分类模型 | 第27-28页 |
| 3.3.2.4 加权投票机制预测类标签 | 第28-29页 |
| 3.3.2.5 信息素更新 | 第29-30页 |
| 3.4 算法仿真 | 第30-37页 |
| 3.4.1 性能指标和参数设置 | 第31-32页 |
| 3.4.2 AntMinermbc与其他分类算法的比较 | 第32-36页 |
| 3.4.3 多个基分类器的分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于蚁群算法的蛋白质功能预测研究 | 第38-48页 |
| 4.1 引言 | 第38-39页 |
| 4.2 基于蚁群算法的蛋白质功能预测算法 | 第39-43页 |
| 4.2.1 多标签规则构建 | 第40-41页 |
| 4.2.2 有序轮盘选择策略 | 第41-43页 |
| 4.2.3 新型信息素更新策略 | 第43页 |
| 4.3 算法仿真 | 第43-47页 |
| 4.3.1 性能指标和参数设置 | 第43-44页 |
| 4.3.2 hmAntMinerorder算法与其他分类算法比较 | 第44-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 结论 | 第48-50页 |
| 参考文献 | 第50-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士学位期间的研究成果 | 第56页 |