| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-19页 |
| ·研究背景与意义 | 第9-10页 |
| ·数据挖掘概述 | 第10-13页 |
| ·DM 发展背景 | 第10-11页 |
| ·DM 研究现状 | 第11-13页 |
| ·聚类分析的实际应用 | 第13-14页 |
| ·聚类的研究现状 | 第14-15页 |
| ·聚类算法遇到的问题 | 第15-17页 |
| ·本文的主要工作 | 第17-18页 |
| ·本文的组织结构 | 第18-19页 |
| 第二章 聚类分析 | 第19-27页 |
| ·聚类分析概述 | 第19-23页 |
| ·聚类分析的定义 | 第19-20页 |
| ·基本数据类型 | 第20-21页 |
| ·聚类分析的过程 | 第21-23页 |
| ·聚类算法的分类介绍 | 第23-25页 |
| ·k-medoids 聚类算法 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于自适应粒子群的聚类算法 | 第27-37页 |
| ·粒子群算法的研究背景 | 第27-28页 |
| ·粒子群算法概述 | 第28-33页 |
| ·PSO 算法的基本原理 | 第29-30页 |
| ·PSO 算法的参数选择 | 第30-31页 |
| ·PSO 算法的基本步骤描述 | 第31-32页 |
| ·PSO 算法的应用 | 第32-33页 |
| ·基于自适应粒子群的聚类算法设计 | 第33-36页 |
| ·聚类准则函数的选择 | 第33页 |
| ·适应值函数的选择 | 第33页 |
| ·调整惯性权重因子 | 第33-34页 |
| ·学习因子的设置 | 第34页 |
| ·飞行时间因子的设置 | 第34页 |
| ·改进算法的步骤描述 | 第34-35页 |
| ·改进算法仿真 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于模拟退火粒子群的 k-medoids 聚类算法 | 第37-44页 |
| ·模拟退火算法概述 | 第37-41页 |
| ·SA 算法简介 | 第37-38页 |
| ·SA 算法原理 | 第38-40页 |
| ·SA 算法参数的选择 | 第40-41页 |
| ·基于模拟退火和粒子群的 k-medoids 聚类 | 第41-43页 |
| ·改进算法的参数调整 | 第41-42页 |
| ·改进算法的步骤描述 | 第42-43页 |
| ·改进算法的仿真实验 | 第43页 |
| ·本章小结 | 第43-44页 |
| 第五章 论文总结与展望 | 第44-45页 |
| ·论文总结 | 第44页 |
| ·展望 | 第44-45页 |
| 参考文献 | 第45-51页 |
| 致谢 | 第51-52页 |
| 附录（攻读硕士学位期间发表录用论文） | 第52-53页 |
| 摘要 | 第53-56页 |
| ABSTRACT | 第56-61页 |