基于群体智能的多目标聚类算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 聚类分析 | 第8-11页 |
| 1.2.1 基本概念 | 第8-9页 |
| 1.2.2 数据类型 | 第9-10页 |
| 1.2.3 聚类模型及算法的研究与应用 | 第10-11页 |
| 1.3 本文主要研究内容及组织结构 | 第11-13页 |
| 第二章 基础理论及相关文献综述 | 第13-24页 |
| 2.1 本文聚类算法的理论基础 | 第13-19页 |
| 2.1.1 目标函数优化型聚类算法 | 第13-18页 |
| 2.1.2 聚类算法的评估 | 第18-19页 |
| 2.2 基于群体智能优化的聚类算法研究 | 第19-21页 |
| 2.2.1 群体智能优化算法 | 第19-20页 |
| 2.2.2 融入群体智能优化的混合聚类算法 | 第20-21页 |
| 2.3 多目标聚类算法研究 | 第21-23页 |
| 2.3.1 多目标优化理论 | 第21页 |
| 2.3.2 多目标聚类算法 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于萤火虫优化的K-调和均值聚类算法 | 第24-37页 |
| 3.1 本章算法背景研究概述 | 第24-25页 |
| 3.2 融合并行混沌萤火虫算法的KHM聚类 | 第25-32页 |
| 3.2.1 并行混沌局部搜索策略改进的FA | 第25-27页 |
| 3.2.2 混合聚类算法KHM-PCLSFA | 第27-28页 |
| 3.2.3 实验结果分析 | 第28-32页 |
| 3.3 采用特征加权距离的KHM改进算法 | 第32-36页 |
| 3.3.1 采用特征加权距离的WKHM | 第32-33页 |
| 3.3.2 采用特征加权距离的WFKHM | 第33-34页 |
| 3.3.3 实验结果分析 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于核的属性加权多目标聚类算法 | 第37-53页 |
| 4.1 属性加权聚类算法的研究背景分析 | 第37-38页 |
| 4.2 多目标属性加权核聚类算法 | 第38-42页 |
| 4.2.1 局部自适应属性加权核聚类算法 | 第38-39页 |
| 4.2.2 目标函数的计算 | 第39-40页 |
| 4.2.3 算法的编码以及遗传算子 | 第40-42页 |
| 4.3 基于投影坐标与聚类集成策略选取最终解 | 第42-43页 |
| 4.4 实验分析 | 第43-52页 |
| 4.4.1 数据集及各算法参数设置 | 第43-45页 |
| 4.4.2 实验结果对比分析 | 第45-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 面向分类属性数据的多目标聚类算法 | 第53-68页 |
| 5.1 分数型数据聚类算法的研究背景分析 | 第53-54页 |
| 5.2 多目标模糊中心点聚类算法 | 第54-58页 |
| 5.2.1 分类数据的相似性度量 | 第54-55页 |
| 5.2.2 本章算法的目标函数 | 第55-56页 |
| 5.2.3 多目标进化的具体步骤 | 第56-58页 |
| 5.3 基于采样获取相似统计分布的模糊中心点 | 第58-60页 |
| 5.4 实验分析 | 第60-67页 |
| 5.4.1 实验数据集及预处理 | 第60页 |
| 5.4.2 本章中相关算法的描述 | 第60-61页 |
| 5.4.3 实验结果对比分析 | 第61-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 主要结论与展望 | 第68-70页 |
| 主要结论 | 第68-69页 |
| 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第77页 |
