蚁群优化算法在数据挖掘中的应用研究
| 摘 要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 引言 | 第10-15页 |
| ·研究背景 | 第10-11页 |
| ·课题的引出 | 第11-12页 |
| ·论文的主要工作 | 第12-14页 |
| ·论文组织 | 第14-15页 |
| 第二章 蚁群优化算法 | 第15-33页 |
| ·基本蚁群优化算法 | 第15-24页 |
| ·基本蚁群算法原理 | 第15-18页 |
| ·基本蚁群算法模型 | 第18-20页 |
| ·基本蚁群算法参数特性 | 第20-24页 |
| ·蚁群算法的研究现状 | 第24-28页 |
| ·蚁群算法的应用研究 | 第28-31页 |
| ·蚁群算法的优点及存在的问题 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 数据挖掘 | 第33-44页 |
| ·数据挖掘的概述 | 第33-34页 |
| ·数据挖掘的对象 | 第34页 |
| ·数据挖掘的主要任务 | 第34-43页 |
| ·数据聚合 | 第34-35页 |
| ·聚类分析 | 第35-39页 |
| ·分类和预测分析 | 第39-42页 |
| ·关联规则的挖掘 | 第42-43页 |
| ·数据挖掘的技术 | 第43页 |
| ·本章小结 | 第43-44页 |
| 第四章 基于蚁群算法的聚类方法 | 第44-62页 |
| ·背景介绍 | 第44-45页 |
| ·一种基于蚂蚁模型的自适应的聚类算法 | 第45-50页 |
| ·蚂蚁活动/睡眠聚类模型（ASCM） | 第45-47页 |
| ·基于 ASCM 的自适应的蚂蚁聚类算法实现 | 第47-48页 |
| ·实验结果与分析 | 第48-50页 |
| ·基于有向图的自适应蚁群聚类算法 | 第50-61页 |
| ·算法框架 | 第50-51页 |
| ·初始信息素有向图 | 第51-53页 |
| ·信息素有向图的更新 | 第53-56页 |
| ·概率选择公式 | 第54页 |
| ·启发式公式 | 第54页 |
| ·信息素的更新 | 第54-55页 |
| ·α, β的自适应更新 | 第55-56页 |
| ·实验结果与分析 | 第56-59页 |
| ·动态数据库的聚类维护 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 第五章 基于蚁群算法的分类规则挖掘 | 第62-83页 |
| ·背景介绍 | 第62-63页 |
| ·分类规则的并行蚁群挖掘算法 | 第63-82页 |
| ·并行模型 | 第63-64页 |
| ·概念描述 | 第64-65页 |
| ·并行算法框架 | 第65-68页 |
| ·算法的实现 | 第68-75页 |
| ·数值属性的离散分区 | 第68-69页 |
| ·属性选择的概率公式 | 第69-71页 |
| ·规则质量衡量 | 第71-72页 |
| ·选取属性分区的概率公式 | 第72-74页 |
| ·并行策略 | 第74页 |
| ·α, β的自适应变化 | 第74-75页 |
| ·算法的进一步改进 | 第75-77页 |
| ·概率选择公式 | 第75-76页 |
| ·基于贝叶斯的属性选择启发式公式 | 第76-77页 |
| ·规则约简 | 第77-78页 |
| ·实验结果与分析 | 第78-82页 |
| ·实验结果 | 第78-80页 |
| ·时间复杂度分析 | 第80-82页 |
| ·本章小结 | 第82-83页 |
| 第六章 基于蚁群算法的关联规则挖掘 | 第83-91页 |
| ·背景介绍 | 第83-84页 |
| ·基于蚁群优化的关联规则挖掘算法 | 第84-90页 |
| ·概念描述 | 第84-86页 |
| ·算法框架 | 第86-87页 |
| ·算法的实现 | 第87-89页 |
| ·超顶点内子顶点的概率选择公式 | 第87-88页 |
| ·信息素更新公式 | 第88页 |
| ·启发式公式 | 第88-89页 |
| ·实验结果与分析 | 第89-90页 |
| ·本章小结 | 第90-91页 |
| 第七章 结论 | 第91-94页 |
| ·本文的贡献 | 第91-92页 |
| ·未来的工作 | 第92-94页 |
| 参考文献 | 第94-102页 |
| 致谢 | 第102-103页 |
| 攻读学位期间发表的学术论文和参加的研究工作 | 第103-105页 |
