模糊聚类与GA混合聚类算法的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第11-14页 |
| 1.1 课题研究的意义 | 第11-12页 |
| 1.2 课题研究的内容 | 第12-13页 |
| 1.3 论文内容与章节安排 | 第13-14页 |
| 第2章 基础理论 | 第14-40页 |
| 2.1 数据挖掘的基本原理与过程 | 第14页 |
| 2.2 数据的预处理 | 第14-19页 |
| 2.2.1 聚集 | 第14-15页 |
| 2.2.2 抽样 | 第15页 |
| 2.2.3 维规约 | 第15-16页 |
| 2.2.4 属性子集选择 | 第16页 |
| 2.2.5 创建属性 | 第16-17页 |
| 2.2.6 离散化和二元化 | 第17-18页 |
| 2.2.7 数据标准化 | 第18-19页 |
| 2.3 相似性与相异性度量 | 第19-23页 |
| 2.3.1 相似性的度量 | 第19-21页 |
| 2.3.2 常用的距离度量方式 | 第21-23页 |
| 2.4 聚类 | 第23-26页 |
| 2.4.1 聚类的概念与用途 | 第23-24页 |
| 2.4.2 聚类的特性 | 第24页 |
| 2.4.3 聚类算法的分类 | 第24-26页 |
| 2.5 k-Means算法 | 第26-30页 |
| 2.5.1 算法原理 | 第26-27页 |
| 2.5.2 算法的过程 | 第27-28页 |
| 2.5.3 k-Means算法的优缺点 | 第28-30页 |
| 2.6 模糊C均值算法（FCM算法） | 第30-36页 |
| 2.6.1 目标函数与聚类质心 | 第31-32页 |
| 2.6.2 FCM算法计算过程 | 第32-34页 |
| 2.6.3 算法的优缺点 | 第34-35页 |
| 2.6.4 算法改进与前人的研究 | 第35-36页 |
| 2.7 遗传算法（GA算法） | 第36-40页 |
| 2.7.1 种群 | 第36-37页 |
| 2.7.2 编码表示 | 第37页 |
| 2.7.3 适应度函数 | 第37页 |
| 2.7.4 遗传算子 | 第37-38页 |
| 2.7.5 遗传算法的算法过程 | 第38-40页 |
| 第3章 聚类算法的改进 | 第40-46页 |
| 3.1 FCM算法的改进思路 | 第40页 |
| 3.2 种群初始化与编码 | 第40-41页 |
| 3.3 混合算法的适应度函数与解码 | 第41-42页 |
| 3.4 选择算子 | 第42-43页 |
| 3.5 交叉算子 | 第43页 |
| 3.6 变异算子 | 第43-44页 |
| 3.7 可伸缩性与抽样 | 第44页 |
| 3.8 混合算法的计算过程 | 第44-46页 |
| 第4章 算法实现 | 第46-55页 |
| 4.1 开发技术 | 第46页 |
| 4.2 程序功能说明 | 第46-55页 |
| 4.2.1 程序功能模块组织 | 第46-47页 |
| 4.2.2 数据导入模块 | 第47-49页 |
| 4.2.3 k-Means算法模块 | 第49-52页 |
| 4.2.4 FCM算法模块 | 第52-53页 |
| 4.2.5 混合算法模块 | 第53-54页 |
| 4.2.6 帮助与自定义模块 | 第54-55页 |
| 第5章 应用与研究 | 第55-68页 |
| 5.1 实例 1：Iris数据集 | 第55-60页 |
| 5.1.1 k-Means算法的聚类结果 | 第55-57页 |
| 5.1.2 FCM算法的聚类结果 | 第57-59页 |
| 5.1.3 混合算法的聚类结果 | 第59-60页 |
| 5.2 实例 2：百度糯米的商品聚类 | 第60-68页 |
| 5.2.1 数据输入 | 第60-63页 |
| 5.2.2 数据预处理 | 第63-65页 |
| 5.2.3 聚类分析 | 第65-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 个人简历 | 第73页 |
