| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 目录 | 第6-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 数据挖掘研究背景 | 第9-10页 |
| 1.2 数据挖掘的研究现状 | 第10-11页 |
| 1.3 群体智能算法研究背景与现状 | 第11-12页 |
| 1.4 雷达信号分选算法现状 | 第12-13页 |
| 1.5 论文内容与安排 | 第13-15页 |
| 第二章 群智能算法理论 | 第15-19页 |
| 2.1 基本蚁群优化算法 | 第15-16页 |
| 2.2 基本粒子群优化算法 | 第16-17页 |
| 2.3 几种改进的粒子群算法 | 第17-18页 |
| 2.3.1 带有惯性权重的粒子群优化算法 | 第17-18页 |
| 2.3.2 带有收缩因子的粒子群优化算法 | 第18页 |
| 2.3.3 混合粒子群优化算法 | 第18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 数据挖掘理论基础 | 第19-23页 |
| 3.1 数据挖掘的基本定义 | 第19-20页 |
| 3.2 数据挖掘的基本任务 | 第20-21页 |
| 3.3 数据挖掘常用的方法 | 第21-22页 |
| 3.3.1 决策树 | 第21页 |
| 3.3.2 神经网络 | 第21页 |
| 3.3.3 最近邻方法 | 第21-22页 |
| 3.4 本章小结 | 第22-23页 |
| 第四章 基于粒子群优化的数据特征选择算法 | 第23-33页 |
| 4.1 特征选择概述 | 第23-24页 |
| 4.1.1 序列选择算法(Sequential Algorithms) | 第23-24页 |
| 4.1.2 指数算法(Exponential Algorithms) | 第24页 |
| 4.1.3 随机算法(Randomized Algorithms) | 第24页 |
| 4.2 局部学习粒子群特征选择算法 | 第24-28页 |
| 4.2.1 算法基本原理 | 第24-27页 |
| 4.2.2 算法流程与实施步骤 | 第27-28页 |
| 4.3 实验与结果分析 | 第28-31页 |
| 4.3.1 实验数据 | 第28-29页 |
| 4.3.2 对比算法 | 第29页 |
| 4.3.3 实验环境 | 第29页 |
| 4.3.4 结果及分析 | 第29-31页 |
| 4.4 本章小结 | 第31-33页 |
| 第五章 自适应粒子群雷达信号分选算法 | 第33-47页 |
| 5.1 聚类的描述 | 第33-34页 |
| 5.2 常用的聚类方法 | 第34-38页 |
| 5.2.1 k-means算法 | 第35-36页 |
| 5.2.2 模糊k-means算法 | 第36-37页 |
| 5.2.3 谱聚类算法 | 第37-38页 |
| 5.3 自适应粒子群聚类算法 | 第38-41页 |
| 5.3.1 粒子的编码解码 | 第38-39页 |
| 5.3.2 粒子的更新规则 | 第39-40页 |
| 5.3.3 适应度函数 | 第40页 |
| 5.3.4 粒子的局部学习策略 | 第40页 |
| 5.3.5 算法流程图与步骤 | 第40-41页 |
| 5.4 实验与结果分析 | 第41-46页 |
| 5.4.1 实验数据 | 第41-42页 |
| 5.4.2 对比算法 | 第42-43页 |
| 5.4.3 实验环境 | 第43页 |
| 5.4.4 实验结果与分析 | 第43-46页 |
| 5.5 本章小结 | 第46-47页 |
| 第六章 总结与展望 | 第47-49页 |
| 6.1 论文总结 | 第47页 |
| 6.2 论文展望 | 第47-49页 |
| 致谢 | 第49-51页 |
| 参考文献 | 第51-57页 |
| 硕士期间的学术成果 | 第57页 |
