基于蚁群算法的聚类分析方法的研究及应用

摘要	第1-10页
Abstract	第10-12页
第一章 绪论	第12-17页
·引言	第12页
·国内外研究现状及未来发展趋势	第12-15页
·国外研究现状	第13页
·国内研究现状	第13-14页
·未来发展趋势	第14-15页
·本文研究的主要内容	第15-17页
第二章 数据挖掘概述	第17-27页
·数据挖掘的概念	第17-18页
·数据仓库与数据挖掘	第18-19页
·数据仓库的定义	第18页
·数据库中的知识发现和数据挖掘	第18-19页
·数据挖掘的发现模式	第19-22页
·广义模式	第19-20页
·关联模式	第20页
·序列模式	第20-21页
·分类模式	第21页
·聚类模式	第21-22页
·预测模式	第22页
·偏差模式	第22页
·数据挖掘的方法	第22-24页
·关联规则挖掘	第22-23页
·神经网络方法	第23页
·决策树方法	第23-24页
·遗传算法	第24页
·粗糙集方法	第24页
·基于事例的推理方法	第24页
·数据挖掘的应用	第24-27页
·在零售业/市场营销方面	第25页
·加工制造	第25页
·金融服务/信用卡	第25-26页
·在过程控制/质量监督保证方面	第26-27页
第三章 聚类分析	第27-36页
·聚类分析的定义	第27-29页
·聚类分析中的数据类型	第29-32页
·数据矩阵	第29页
·相似性矩阵	第29-30页
·区间标度变量	第30-31页
·相似性度量	第31-32页
·聚类分析中的主要算法	第32-34页
·分裂法	第32页
·层次聚类法	第32-33页
·基于密度的方法	第33页
·基于网格的方法	第33-34页
·基于模型的方法	第34页
·聚类分析的度量标准	第34-36页
第四章 蚁群算法	第36-55页
·群体智能	第36-38页
·群体智能的定义	第36-37页
·蚁群算法的提出	第37-38页
·蚁群算法	第38-45页
·基本蚁群算法的机制原理	第38-39页
·基本蚁群算法的模型特征	第39-43页
·基本蚁群算法的优点和不足之处	第43-44页
·蚁群算法的改进模式	第44-45页
·提高性能的改进蚁群算法	第45-54页
·蚁群算法与遗传算法的融合	第45-49页
·改进的基于交叉变异操作的蚁群算法	第49-54页
·本章小结	第54-55页
第五章 提高性能的蚁群聚类组合算法	第55-72页
·改进的基本蚁群聚类方法	第55-61页
·基本蚁群聚类模型	第55页
·改进的基本蚁群聚类算法（ILF 算法）	第55-61页
·改进的基于信息素的K-MEANS 算法	第61-67页
·K-means 算法	第61-63页
·改进的基于信息素的K-means 算法	第63-66页
·两种算法的比较分析	第66-67页
·基于两种改进蚁群算法的聚类组合算法	第67-71页
·算法思想	第67-69页
·算法主流程图	第69页
·算法流程描述	第69-71页
·提高性能的组合算法性能分析	第71页
·本章小结	第71-72页
第六章 测试性能与评价	第72-80页
·测试数据集	第72页
·性能评价	第72-73页
·实验结果分析	第73-75页
·客户行为中的聚类分析	第75-78页
·客户行为分析	第75-76页
·实验分析	第76-78页
·本章小结	第78-80页
第七章 结论与展望	第80-83页
·结论	第80-81页
·展望	第81-83页
参考文献	第83-88页
攻读硕士学位期间发表的论文及参与项目	第88-89页
致谢	第89页