一种新的全局收敛的混合聚类算法
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 聚类分析的研究背景 | 第8-9页 |
| 1.2 聚类分析的研究现状 | 第9-10页 |
| 1.3 本文的主要工作 | 第10-12页 |
| 1.4 本章小结 | 第12-13页 |
| 2 主要聚类方法 | 第13-27页 |
| 2.1 蚁群聚类算法 | 第13-17页 |
| 2.1.1 蚁群聚类LF算法 | 第13-15页 |
| 2.1.2 基于网格加密的蚁群算法 | 第15-17页 |
| 2.2 K-Means方法的原理及实现 | 第17-20页 |
| 2.2.1 数据的表示 | 第17页 |
| 2.2.2 数据之间相似度的衡量 | 第17-18页 |
| 2.2.3 K-Means方法的原理及实现 | 第18-20页 |
| 2.3 XK-Means方法的改进及实现 | 第20-21页 |
| 2.4 遗传机制用于聚类分析 | 第21-26页 |
| 2.4.1 遗传算法的原理 | 第21-23页 |
| 2.4.2 遗传K-Means算法 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 一种新的全局收敛的混合聚类算法 | 第27-34页 |
| 3.1 IXK-Means方法的实现 | 第27-28页 |
| 3.2 遗传IXK-Means算法详解 | 第28-32页 |
| 3.3 蚁群GIXK算法原理 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 数值实验评估 | 第34-41页 |
| 4.1 确定最佳类别数的重要性 | 第34-35页 |
| 4.2 GIXK算法的优势 | 第35-40页 |
| 4.3 本章小结 | 第40-41页 |
| 5 理论证明GIXK算法的全局收敛性 | 第41-44页 |
| 5.1 相关引理 | 第41-42页 |
| 5.2 GIXK算法具有全局收敛性 | 第42-43页 |
| 5.3 本章小结 | 第43-44页 |
| 结论 | 第44-45页 |
| 参考文献 | 第45-47页 |
| 攻读硕士学位期间发表学术论文情况 | 第47-48页 |
| 致谢 | 第48-49页 |
