改进蚁群算法在聚类分析中的应用研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-13页 |
| ·引言 | 第8页 |
| ·国内外研究状态以及未来发展的趋势 | 第8-11页 |
| ·国外研究状态 | 第8-9页 |
| ·国内研究现状 | 第9-10页 |
| ·未来的发展趋势 | 第10-11页 |
| ·论文研究的内容和组织 | 第11-13页 |
| 2 数据挖掘技术中的聚类分析 | 第13-28页 |
| ·数据挖掘技术 | 第13-18页 |
| ·数据挖掘概念 | 第13-15页 |
| ·数据挖掘的分类 | 第15-16页 |
| ·数据挖掘的过程 | 第16-17页 |
| ·数据挖掘的主要问题 | 第17-18页 |
| ·聚类的概念及形式描述 | 第18-19页 |
| ·聚类分析中的数据类型 | 第19-20页 |
| ·聚类分析中的相似度度量方法 | 第20-23页 |
| ·潜在应用对聚类算法提出的特别要求 | 第23-24页 |
| ·数据挖掘中的聚类分析算法 | 第24-27页 |
| ·划分聚类算法 | 第24-25页 |
| ·层次聚类算法 | 第25页 |
| ·基于密度的聚类算法 | 第25-26页 |
| ·基于网格的聚类算法 | 第26页 |
| ·基于模型的方法 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 3 蚁群算法的基本原理及分析 | 第28-39页 |
| ·基本原理 | 第28-29页 |
| ·蚁群系统的生物学原型 | 第28-29页 |
| ·基本蚁群算法的系统学特征 | 第29-32页 |
| ·基本蚁群算法是一个系统 | 第29-30页 |
| ·分布式计算 | 第30-31页 |
| ·自组织 | 第31页 |
| ·正反馈 | 第31-32页 |
| ·基本蚁群算法的数学模型及实现方法 | 第32-37页 |
| ·基本蚁群算法数学模型 | 第32-35页 |
| ·基本蚁群算法的具体实现 | 第35-37页 |
| ·蚁群算法的理论分析 | 第37-38页 |
| ·算法时间复杂度分析 | 第37-38页 |
| ·算法空间复杂度分析 | 第38页 |
| ·本章小结 | 第38-39页 |
| 4 基于改进蚁群算法的聚类组合方法 | 第39-59页 |
| ·基于信息熵的蚁群聚类方法 | 第39-44页 |
| ·基本蚁群聚类模型 | 第39页 |
| ·LF 算法 | 第39-41页 |
| ·基于信息熵的蚁群聚类算法 | 第41-43页 |
| ·两种算法的比较分析 | 第43-44页 |
| ·改进的单蚁群聚类算法（SACA） | 第44-49页 |
| ·平均相似性 | 第44-46页 |
| ·概率转换函数 | 第46-47页 |
| ·改进的SACA 算法描述 | 第47-49页 |
| ·多蚁群聚类组合算法（MACCA） | 第49-53页 |
| ·系统结构图 | 第49-50页 |
| ·聚类组合 | 第50-51页 |
| ·基于蚁群算法的图划分算法 | 第51-53页 |
| ·实验结果及分析 | 第53-58页 |
| ·测试数据 | 第53-55页 |
| ·性能评价标准 | 第55-56页 |
| ·实验结果 | 第56-57页 |
| ·实验分析及总结 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 5 总结及展望 | 第59-61页 |
| ·研究工作总结 | 第59页 |
| ·今后研究工作展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66页 |
