基于人工蜂群算法的软子空间聚类算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 引言 | 第8-9页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的内容与结构 | 第11-13页 |
| 1.3.1 研究内容 | 第11页 |
| 1.3.2 本文的结构 | 第11-13页 |
| 第二章 聚类算法概述 | 第13-21页 |
| 2.1 数据挖掘 | 第13-14页 |
| 2.2 数据挖掘方法 | 第14页 |
| 2.3 聚类算法概述 | 第14-17页 |
| 2.3.1 基本概念 | 第14-15页 |
| 2.3.2 相关定义 | 第15-16页 |
| 2.3.3 聚类步骤 | 第16页 |
| 2.3.4 相似性度量 | 第16-17页 |
| 2.3.5 目标函数 | 第17页 |
| 2.4 聚类分析的主要算法 | 第17-21页 |
| 第三章 子空间聚类算法 | 第21-29页 |
| 3.1 高维数据聚类 | 第21-22页 |
| 3.1.1 高维数据的概念 | 第21页 |
| 3.1.2 高维数据特性 | 第21页 |
| 3.1.3 高维数据聚类技术 | 第21-22页 |
| 3.2 子空间聚类算法 | 第22-24页 |
| 3.2.1 子空间聚类原理 | 第22-23页 |
| 3.2.2 子空间聚类算法 | 第23-24页 |
| 3.3 软子空间聚类算法 | 第24-29页 |
| 3.3.1 软子空间聚类概述 | 第24-25页 |
| 3.3.2 软子空间聚类算法 | 第25-29页 |
| 第四章 人工蜂群算法 | 第29-34页 |
| 4.1 群智能算法概述 | 第29-30页 |
| 4.2 人工蜂群算法 | 第30-34页 |
| 4.2.1 人工蜂群算法概述 | 第30-31页 |
| 4.2.2 人工蜂群优化算法 | 第31-34页 |
| 第五章 基于人工蜂群算法的软子空间聚类算法 | 第34-44页 |
| 5.1 ABCSC 算法 | 第34-40页 |
| 5.1.1 算法概述 | 第34页 |
| 5.1.2 目标函数 | 第34-35页 |
| 5.1.3 隶属度计算公式 | 第35-36页 |
| 5.1.4 算法流程 | 第36-39页 |
| 5.1.5 算法优点 | 第39-40页 |
| 5.2 实验结果及分析 | 第40-44页 |
| 5.2.1 实验数据集 | 第40页 |
| 5.2.2 实验结果与分析 | 第40-44页 |
| 第六章 总结与展望 | 第44-45页 |
| 6.1 工作总结 | 第44页 |
| 6.2 后续研究展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48页 |
