基于粒计算和粗糙集的聚类算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 数据挖掘概述 | 第12-15页 |
| 1.2.1 基本概念 | 第12-13页 |
| 1.2.2 研究现状 | 第13-15页 |
| 1.3 聚类算法研究现状 | 第15-16页 |
| 1.4 本文的主要工作 | 第16-17页 |
| 1.5 本文的组织结构 | 第17-18页 |
| 第二章 预备知识 | 第18-32页 |
| 2.1 聚类分析 | 第18-24页 |
| 2.1.1 基本定义 | 第18页 |
| 2.1.2 聚类的数据结构 | 第18-19页 |
| 2.1.3 聚类的属性类型 | 第19-22页 |
| 2.1.4 聚类分析的基本方法及比较 | 第22-24页 |
| 2.2 粗糙集 | 第24-27页 |
| 2.2.1 知识与不可分辨关系 | 第25页 |
| 2.2.2 上近似集和下近似集 | 第25-26页 |
| 2.2.3 粗糙集的概念 | 第26页 |
| 2.2.4 粗糙集的属性约简 | 第26-27页 |
| 2.3 人工蜂群算法 | 第27-29页 |
| 2.3.1 人工蜂群算法的基本思想 | 第27-28页 |
| 2.3.2 ABC算法流程 | 第28-29页 |
| 2.4 粒子群算法 | 第29-30页 |
| 2.4.1 粒子群(PSO)算法的基本思想 | 第29页 |
| 2.4.2 PSO算法流程 | 第29-30页 |
| 2.5 粒计算 | 第30-31页 |
| 2.5.1 粒计算概述 | 第30页 |
| 2.5.2 粒度相关概念 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 一种基于人工蜂群的优化聚类算法 | 第32-42页 |
| 3.1 问题提出 | 第32-33页 |
| 3.2 K-medoids聚类算法 | 第33-34页 |
| 3.2.1 算法思想 | 第33页 |
| 3.2.2 算法步骤 | 第33-34页 |
| 3.3 改进的人工蜂群算法 | 第34-36页 |
| 3.4 改进的K-medoids聚类算法 | 第36-38页 |
| 3.4.1 适应度函数 | 第36-37页 |
| 3.4.2 聚类中心的更新 | 第37页 |
| 3.4.3 算法描述 | 第37-38页 |
| 3.5 实验仿真与结果分析 | 第38-41页 |
| 3.5.1 实验设计 | 第38页 |
| 3.5.2 实验结果分析 | 第38-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 结合粒子群的粗糙K-means聚类算法 | 第42-55页 |
| 4.1 问题提出 | 第42-43页 |
| 4.2 K-means聚类算法 | 第43-44页 |
| 4.2.1 算法思想 | 第43页 |
| 4.2.2 算法步骤 | 第43-44页 |
| 4.3 改进的粒子群算法 | 第44-46页 |
| 4.4 改进的K-means聚类算法 | 第46-50页 |
| 4.4.1 适应度函数 | 第46-47页 |
| 4.4.2 新聚类中心 | 第47页 |
| 4.4.3 粗糙集聚类 | 第47-48页 |
| 4.4.4 算法设计 | 第48-49页 |
| 4.4.5 算法先进性和时间复杂度分析 | 第49-50页 |
| 4.5 实验仿真与结果分析 | 第50-54页 |
| 4.5.1 实验设计 | 第50页 |
| 4.5.2 实验结果分析 | 第50-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 结论与展望 | 第55-57页 |
| 5.1 结论 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 附录（攻读硕士学位期间发表论文目录） | 第63-64页 |
| 详细摘要 | 第64-73页 |
