基于蚁群算法的聚类算法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-21页 |
| ·课题背景及意义 | 第11-13页 |
| ·研究现状 | 第13-19页 |
| ·聚类算法研究现状 | 第13-16页 |
| ·蚁群算法研究现状 | 第16-18页 |
| ·蚁群聚类算法的研究现状 | 第18-19页 |
| ·本文研究目标及主要研究内容 | 第19页 |
| ·章节安排 | 第19-21页 |
| 第二章 蚁群聚类算法理论基础 | 第21-50页 |
| ·数据挖掘基本原理 | 第21-25页 |
| ·数据挖掘的一般过程 | 第21-22页 |
| ·数据挖掘的一般功能 | 第22-24页 |
| ·数据挖掘的一般方法 | 第24-25页 |
| ·数据挖掘的发展 | 第25页 |
| ·聚类分析理论基础 | 第25-43页 |
| ·聚类分析在数据挖掘中的应用 | 第25-26页 |
| ·聚类分析算法的概念与基本分类 | 第26-29页 |
| ·距离与相似性的度量 | 第29-31页 |
| ·划分聚类方法 | 第31-32页 |
| ·k-平均算法分析 | 第32-33页 |
| ·PAM 算法分析 | 第33-35页 |
| ·改进的划分聚类算法分析 | 第35-36页 |
| ·层次聚类方法 | 第36-40页 |
| ·密度聚类方法分析 | 第40-42页 |
| ·其他聚类方法分析 | 第42页 |
| ·聚类算法的比较 | 第42-43页 |
| ·蚁群算法相关理论 | 第43-47页 |
| ·蚁群算法基本原理 | 第43页 |
| ·基本蚁群算法的数学模型 | 第43-46页 |
| ·基本蚁群算法的实现 | 第46页 |
| ·基本蚁群算法的优缺点 | 第46-47页 |
| ·蚁群聚类算法 | 第47-49页 |
| ·基于蚁堆原理的蚁群聚类算法 | 第47-48页 |
| ·基于信息熵的蚁群聚类算法 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第三章 蚁群聚类算法 | 第50-64页 |
| ·智能算法在聚类分析中的应用 | 第50-51页 |
| ·神经网络在聚类分析中的应用 | 第50页 |
| ·遗传算法在聚类分析中的应用 | 第50-51页 |
| ·蚁群聚类算法研究 | 第51-62页 |
| ·算法具体描述 | 第51-62页 |
| ·本章小结 | 第62-64页 |
| 第四章 仿真实验与结果分析 | 第64-69页 |
| ·实验设计 | 第64-65页 |
| ·实验结果分析 | 第65-68页 |
| ·本章小结 | 第68-69页 |
| 第五章 WEB 日志挖掘的自适应站点原型系统 | 第69-77页 |
| ·设计思想 | 第69页 |
| ·体系结构 | 第69-71页 |
| ·离线处理部分 | 第71-72页 |
| ·在线推荐部分 | 第72-73页 |
| ·系统实现 | 第73-76页 |
| ·本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| ·总结 | 第77-78页 |
| ·展望 | 第78-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-82页 |
| 附录：蚁群聚类的JAVA 实现 | 第82-96页 |
