基于蚁群和粒子群混合算法的分类规则挖掘研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.3 论文研究内容 | 第19页 |
| 1.4 本文的组织结构 | 第19-21页 |
| 第2章 课题相关研究技术 | 第21-34页 |
| 2.1 引言 | 第21页 |
| 2.2 数据挖掘相关概述 | 第21-23页 |
| 2.2.1 数据分类 | 第22-23页 |
| 2.2.2 分类规则表示方法 | 第23页 |
| 2.3 PSO算法概述 | 第23-27页 |
| 2.3.1 算法模型简介 | 第24-26页 |
| 2.3.2 算法参数分析 | 第26-27页 |
| 2.4 PSO算法用于分类规则挖掘相关介绍 | 第27-29页 |
| 2.4.1 个体表示形式 | 第27-28页 |
| 2.4.2 编码模式 | 第28-29页 |
| 2.4.3 适应度函数 | 第29页 |
| 2.4.4 算法流程 | 第29页 |
| 2.5 ACO算法用于分类规则挖掘相关介绍 | 第29-33页 |
| 2.5.1 构造规则 | 第30-31页 |
| 2.5.2 启发式函数 | 第31-32页 |
| 2.5.3 规则剪枝 | 第32页 |
| 2.5.4 信息素更新 | 第32-33页 |
| 2.5.5 算法流程 | 第33页 |
| 2.6 本章小结 | 第33-34页 |
| 第3章 PSO算法的改进及其应用 | 第34-44页 |
| 3.1 引言 | 第34页 |
| 3.2 PSO算法的相关研究问题 | 第34-35页 |
| 3.2.1 存在的问题 | 第34-35页 |
| 3.2.2 问题形成的原因及其分析 | 第35页 |
| 3.3 改进的PSO算法介绍 | 第35-39页 |
| 3.3.1 粒子群的进化状态 | 第35-36页 |
| 3.3.2 动态调整种群数量 | 第36-38页 |
| 3.3.3 DAPSO算法流程 | 第38-39页 |
| 3.4 DAPSO算法应用于分类规则挖掘 | 第39-40页 |
| 3.4.1 分类空间与个体表示 | 第39页 |
| 3.4.2 编码方式 | 第39页 |
| 3.4.3 适应度函数选择 | 第39页 |
| 3.4.4 初始群体生成策略 | 第39页 |
| 3.4.5 提取分类规则流程 | 第39-40页 |
| 3.5 实验设计 | 第40-43页 |
| 3.5.1 实验数据集 | 第40-41页 |
| 3.5.2 实验参数设置 | 第41页 |
| 3.5.3 实验环境 | 第41页 |
| 3.5.4 实验结果及其分析 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 ACO算法的改进及其应用 | 第44-55页 |
| 4.1 引言 | 第44页 |
| 4.2 存在的问题 | 第44-46页 |
| 4.3 问题形成的原因及其分析 | 第46-49页 |
| 4.4 改进的ACO算法介绍 | 第49-51页 |
| 4.4.1 最佳规则替代策略 | 第49-50页 |
| 4.4.2 IACO算法流程 | 第50-51页 |
| 4.5 实验设计 | 第51-54页 |
| 4.5.1 实验数据集 | 第52页 |
| 4.5.2 实验结果及其分析 | 第52-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第5章 混合ACO与PSO算法的分类规则挖掘 | 第55-61页 |
| 5.1 引言 | 第55页 |
| 5.2 ACO/PSO算法介绍 | 第55-57页 |
| 5.3 实验设计 | 第57-60页 |
| 5.3.1 数据集简介 | 第57-58页 |
| 5.3.2 数据预处理 | 第58页 |
| 5.3.3 编码方式 | 第58页 |
| 5.3.4 实验参数设置 | 第58-59页 |
| 5.3.5 实验结果及其分析 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 总结 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68页 |
