| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究的背景和意义 | 第9-10页 |
| 1.2 数据挖掘的研究现状 | 第10页 |
| 1.3 鱼群与数据挖掘 | 第10-11页 |
| 1.4 粗糙集与数据挖掘 | 第11-12页 |
| 1.5 聚类技术研究现状 | 第12-13页 |
| 1.6 聚类算法面临的改进 | 第13页 |
| 1.7 本文的主要工作 | 第13-14页 |
| 1.8 本文的组织 | 第14-16页 |
| 第二章 聚类分析 | 第16-24页 |
| 2.1 聚类的形式化描述 | 第16页 |
| 2.2 聚类分析中的基本数据模型 | 第16-17页 |
| 2.2.1 数据矩阵 | 第16-17页 |
| 2.2.2 相似矩阵 | 第17页 |
| 2.3 聚类分析的数据类型 | 第17-19页 |
| 2.3.1 区间标度变量 | 第17-18页 |
| 2.3.2 二元变量 | 第18-19页 |
| 2.3.3 其它基本数据类型 | 第19页 |
| 2.4 相似度度量方法 | 第19-21页 |
| 2.4.1 距离度量 | 第19-20页 |
| 2.4.2 相似性度量 | 第20-21页 |
| 2.5 聚类中的常用算法及比较 | 第21-23页 |
| 2.5.1 聚类算法介绍 | 第21-22页 |
| 2.5.2 聚类算法的比较 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 基于改进的人工鱼群与K-medoids混合聚类算法 | 第24-35页 |
| 3.1 标准人工鱼群算法 | 第24页 |
| 3.2 鱼群行为描述 | 第24-26页 |
| 3.2.1 觅食行为 | 第24-25页 |
| 3.2.2 聚群行为 | 第25页 |
| 3.2.3 追尾行为 | 第25页 |
| 3.2.4 随机行为 | 第25页 |
| 3.2.5 公告板 | 第25-26页 |
| 3.3 鱼群算法收敛性分析 | 第26-27页 |
| 3.3.1 鱼群行为对算法收敛分析 | 第26-27页 |
| 3.4 K-medoids聚类算法概述 | 第27-29页 |
| 3.4.1 K-medoids聚类算法思想 | 第27-28页 |
| 3.4.2 K-medoids算法流程 | 第28-29页 |
| 3.4.3 K-medoids算法特点 | 第29页 |
| 3.5 算法描述 | 第29-33页 |
| 3.5.1 步长的改进 | 第29-30页 |
| 3.5.2 视野的改进 | 第30-31页 |
| 3.5.3 适应度函数 | 第31页 |
| 3.5.4 算法设计 | 第31页 |
| 3.5.5 时间复杂度分析 | 第31-32页 |
| 3.5.6 仿真实验及分析 | 第32-33页 |
| 3.6 本章小结 | 第33-35页 |
| 第四章 基于粗糙集和粒计算的鱼群聚类算法 | 第35-46页 |
| 4.1 粗糙集基本理论 | 第35-38页 |
| 4.1.1 不可分辨关系 | 第35-36页 |
| 4.1.2 集合的上、下近似 | 第36-37页 |
| 4.1.3 决策表 | 第37页 |
| 4.1.4 粗糙集的基本性质 | 第37-38页 |
| 4.2 粒计算 | 第38-39页 |
| 4.2.1 知识粒度属性分辨能力 | 第38页 |
| 4.2.2 粒子的密度和平均粒子密度 | 第38-39页 |
| 4.2.3 样本相似度和平均样本相似度 | 第39页 |
| 4.2.4 粒子中心 | 第39页 |
| 4.3 适应度函数 | 第39-40页 |
| 4.3.1 类内紧致性 | 第39-40页 |
| 4.3.2 类间分离度 | 第40页 |
| 4.3.3 适应度函数 | 第40页 |
| 4.4 算法描述 | 第40-42页 |
| 4.5 算法可行性和时间复杂度分析 | 第42-43页 |
| 4.5.1 可行性分析 | 第42页 |
| 4.5.2 时间复杂度分析 | 第42-43页 |
| 4.6 仿真实验及数据分析 | 第43-45页 |
| 4.7 本章小结 | 第45-46页 |
| 第五章 结论与展望 | 第46-48页 |
| 5.1 结论 | 第46页 |
| 5.2 展望 | 第46-48页 |
| 参考文献 | 第48-52页 |
| 致谢 | 第52-53页 |
| 附录（攻读硕士学位期间发表论文目录） | 第53页 |