基于群体智能算法的聚类挖掘方法研究
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第10-14页 |
| ·研究背景和意义 | 第10-11页 |
| ·国内外的研究发展现状 | 第11-12页 |
| ·主要工作 | 第12-13页 |
| ·论文的组成结构 | 第13-14页 |
| 第二章 聚类分析 | 第14-25页 |
| ·数据预处理 | 第14-16页 |
| ·数据中心化 | 第14-15页 |
| ·数据标准化 | 第15页 |
| ·数据归一化 | 第15-16页 |
| ·聚类统计量 | 第16-20页 |
| ·距离 | 第16-17页 |
| ·相似系数 | 第17-18页 |
| ·关联系数 | 第18-20页 |
| ·类的相关知识 | 第20-22页 |
| ·类的定义 | 第20页 |
| ·类的特征 | 第20-21页 |
| ·类的距离 | 第21-22页 |
| ·常用聚类方法 | 第22-23页 |
| ·划分的方法 | 第22页 |
| ·层次的方法 | 第22-23页 |
| ·基于密度的方法 | 第23页 |
| ·基于网格的方法 | 第23页 |
| ·基于模型的方法 | 第23页 |
| ·目前聚类算法存在的一些问题 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 优化问题与群体智能算法 | 第25-31页 |
| ·优化问题简介 | 第25页 |
| ·优化问题数学模型的建立 | 第25-26页 |
| ·优化问题的分类 | 第26页 |
| ·凸集与凸函数 | 第26-27页 |
| ·局部最优与全局最优 | 第27页 |
| ·全局优化与启发式方法 | 第27-29页 |
| ·优化方法的的发展与演变 | 第27-28页 |
| ·启发式方法 | 第28-29页 |
| ·群体智能 | 第29-30页 |
| ·本章小节 | 第30-31页 |
| 第四章 基于粒子群算法的聚类挖掘 | 第31-45页 |
| ·粒子群优化算法(PSO)简介 | 第31页 |
| ·PSO 算法的来源及背景 | 第31-33页 |
| ·动物群体行为的类比 | 第31-32页 |
| ·PSO 算法的基本模型 | 第32-33页 |
| ·PSO 算法的数学描述及算法步骤 | 第33-34页 |
| ·PSO 算法与其它智能算法 | 第34-35页 |
| ·PSO 与遗传算法 | 第34-35页 |
| ·PSO 与人工神经网络 | 第35页 |
| ·PSO 算法的参数设置 | 第35-37页 |
| ·PSO 算法的改进 | 第37-38页 |
| ·基于PSO 算法的聚类分析 | 第38-44页 |
| ·聚类分析的数学模型 | 第38页 |
| ·自适应惯性权重ω | 第38-39页 |
| ·PSO 算法并行化 | 第39-40页 |
| ·编码方案和适应度选择 | 第40页 |
| ·自适应惯性权重的并行粒子群聚类算法描述 | 第40页 |
| ·实验过程与结果分析 | 第40-44页 |
| ·本章小结 | 第44-45页 |
| 第五章 基于蚁群算法的聚类挖掘 | 第45-62页 |
| ·蚁群算法概述 | 第45-48页 |
| ·基本蚁群算法的起源 | 第45页 |
| ·蚁群算法的基本原理 | 第45-47页 |
| ·基本蚁群算法的特点 | 第47-48页 |
| ·蚁群算法的改进与发展 | 第48页 |
| ·蚁群聚类算法的产生 | 第48-51页 |
| ·基于蚁堆原理的聚类分析 | 第49-50页 |
| ·基于蚂蚁觅食原理的聚类分析 | 第50-51页 |
| ·基本蚁群聚类算法 | 第51-54页 |
| ·蚁群聚类的基本模型 | 第51-52页 |
| ·LF 算法 | 第52-54页 |
| ·基于信息熵的蚁群增量聚类算法 | 第54-61页 |
| ·蚁群增量聚类系统结构 | 第55页 |
| ·初始聚类模型生成器 | 第55-58页 |
| ·蚁群增量聚类修改器 | 第58-60页 |
| ·蚁群增量聚类模型维护器 | 第60页 |
| ·蚁群增量聚类模拟实验 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第六章 结论与展望 | 第62-63页 |
| ·结论 | 第62页 |
| ·展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 附录 攻读学位期间发表论文目录 | 第69页 |
