| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 引言 | 第13-40页 |
| 1.1 研究意义与目标 | 第13-16页 |
| 1.2 国内外研究进展 | 第16-29页 |
| 1.2.1 基于划分的聚类算法研究进展 | 第19-21页 |
| 1.2.2 基于智能学习的划分聚类算法研究进展 | 第21-29页 |
| 1.3 研究内容与技术路线 | 第29-31页 |
| 1.3.1 研究内容 | 第29-31页 |
| 1.3.2 技术路线 | 第31页 |
| 1.4 解决科学问题与创新 | 第31-34页 |
| 1.5 GNSS数据集 | 第34-39页 |
| 1.6 本章小结 | 第39-40页 |
| 第2章 主要支撑技术 | 第40-57页 |
| 2.1 主要智能学习技术 | 第40-47页 |
| 2.1.1 遗传算法 | 第40-42页 |
| 2.1.2 粒子群算法 | 第42-44页 |
| 2.1.3 蚁群算法 | 第44-47页 |
| 2.2 基于划分的聚类技术 | 第47-50页 |
| 2.2.1 K均值(K-means) | 第47-48页 |
| 2.2.2 K中位(K-medians) | 第48页 |
| 2.2.3 模糊C均值(Fuzzy C-means) | 第48-49页 |
| 2.2.4 K-means++ | 第49-50页 |
| 2.3 非监督聚类评估技术 | 第50-52页 |
| 2.3.1 PBM-index聚类评估技术 | 第50-51页 |
| 2.3.2 DB-index聚类评估技术 | 第51页 |
| 2.3.3 轮廓系数评估技术 | 第51-52页 |
| 2.4 主要非参数统计方法 | 第52-53页 |
| 2.4.1 Friedman Test | 第52-53页 |
| 2.4.2 Wilcoxon Rank Sum Test | 第53页 |
| 2.5 模糊系统 | 第53-56页 |
| 2.6 本章小结 | 第56-57页 |
| 第3章 GPS数据的遗传自动聚类算法研究 | 第57-121页 |
| 3.1 初始化种群技术 | 第57-64页 |
| 3.1.1 染色体编码与初始化种群生成技术 | 第57-59页 |
| 3.1.2 Density-KMPlus:基于密度与K-means++的初始种群方法 | 第59-61页 |
| 3.1.3 Noise-KMPlus:基于噪音与K-means++的初始化种群方法 | 第61-62页 |
| 3.1.4 IConopy-KMPlus:改进Canopy与K-means++的初始化种群方法 | 第62-63页 |
| 3.1.5 适应度函数选择 | 第63-64页 |
| 3.2 遗传操作 | 第64-69页 |
| 3.2.1 选择操作 | 第64页 |
| 3.2.2 基因重排与自适应交叉操作 | 第64-66页 |
| 3.2.3 自适应变异操作 | 第66-67页 |
| 3.2.4 精英操作 | 第67页 |
| 3.2.5 共享小生境操作 | 第67-69页 |
| 3.3 SeedClust：结合Density-KMPlus的遗传K-means自动聚类方法 | 第69-87页 |
| 3.3.1 基于Density-KMPlus的遗传聚类方法描述 | 第70页 |
| 3.3.2 实验结果及复杂度分析 | 第70-85页 |
| 3.3.3 基于Wilcoxon Rank Sum Test的非参数统计分析 | 第85-87页 |
| 3.4 NoiseClust：结合Noise-KMPlus的遗传K-means自动聚类方法 | 第87-100页 |
| 3.4.1 基于Density-KMplus的小生境遗传聚类方法描述 | 第88-89页 |
| 3.4.2 实验结果及复杂度分析 | 第89-93页 |
| 3.4.3 基于Wilcoxon Rank Sum Test的非参数统计分析 | 第93-100页 |
| 3.5 NicheClust：结合IConopy-KMPlus的小生境遗传K-means自动聚类方法 | 第100-119页 |
| 3.5.1 基于IConopy-KMPlus的小生境遗传聚类方法描述 | 第100-104页 |
| 3.5.2 实验结果及复杂度分析 | 第104-113页 |
| 3.5.3 基于Friedman Test的非参数统计分析 | 第113-119页 |
| 3.6 本章小结 | 第119-121页 |
| 第4章 GPS数据的模糊粒子群-遗传混合自动聚类算法研究 | 第121-147页 |
| 4.1 算法关键技术 | 第121-124页 |
| 4.1.1 模糊系统输入参数设置 | 第122-123页 |
| 4.1.2 PSO-GA混合聚类原理及基本步骤 | 第123-124页 |
| 4.2 基于FPSO-GA混合获取最优粒子的K-means自动聚类算法 | 第124-138页 |
| 4.2.1 算法主要步骤 | 第124-125页 |
| 4.2.2 实验参数设置 | 第125-126页 |
| 4.2.3 实验结果对比分析 | 第126-138页 |
| 4.3 基于FPSO-GA混合中的K-means自动聚类算法 | 第138-146页 |
| 4.3.1 算法流程 | 第138-140页 |
| 4.3.2 实验参数设置 | 第140页 |
| 4.3.3 实验结果对比分析 | 第140-146页 |
| 4.4 本章小结 | 第146-147页 |
| 第5章 GPS数据的遗传-模糊蚁群混合自动聚类算法研究 | 第147-164页 |
| 5.1 算法关键技术 | 第147-154页 |
| 5.1.1 遗传-模糊蚁群聚类基本原理 | 第148-152页 |
| 5.1.2 算法主要步骤 | 第152-154页 |
| 5.2 实验结果 | 第154-163页 |
| 5.2.1 实验参数设置 | 第154-155页 |
| 5.2.2 AutoClust实验结果对比分析 | 第155-160页 |
| 5.2.3 GA-FACO实验结果对比分析 | 第160-163页 |
| 5.3 本章小结 | 第163-164页 |
| 第6章 基于MapReduce的GPS数据遗传自动聚类算法研究 | 第164-181页 |
| 6.1 MapReduce技术 | 第164-167页 |
| 6.2 基于MapReduce的自适应遗传的GPS数据聚类 | 第167-171页 |
| 6.2.1 MrkClust：基于MapReduce的新颖GAK聚类算法 | 第167-169页 |
| 6.2.2 算法流程 | 第169-171页 |
| 6.3 实验结果 | 第171-180页 |
| 6.3.1 数据集描述与参数设置 | 第172-173页 |
| 6.3.2 实验结果对比及分析 | 第173-180页 |
| 6.4 本章小结 | 第180-181页 |
| 第7章 最小二乘非监督轨迹回归算法与模糊遗传轨迹聚类研究 | 第181-208页 |
| 7.1 最小二乘回归基本原理 | 第181-183页 |
| 7.2 基于FCM的轨迹聚类方法 | 第183-201页 |
| 7.2.1 轨迹描述及定义 | 第184-186页 |
| 7.2.2 轨迹片段生成 | 第186-188页 |
| 7.2.3 基于拉格朗日定理的轨迹FCM聚类算法 | 第188-189页 |
| 7.2.4 最小二乘的轨迹回归结果 | 第189-190页 |
| 7.2.5 实验数据描述 | 第190-191页 |
| 7.2.6 结果分析果及复杂度分析 | 第191-201页 |
| 7.3 基于模糊遗传的轨迹聚类方法 | 第201-206页 |
| 7.3.1 模糊遗传算法 | 第202-203页 |
| 7.3.2 聚类结果及复杂度分析 | 第203-204页 |
| 7.3.3 最小二乘回归的轨迹回归结果 | 第204-206页 |
| 7.4 本章小结 | 第206-208页 |
| 结论 | 第208-213页 |
| (1) 研究结论 | 第208-211页 |
| (2) 研究展望 | 第211-213页 |
| 致谢 | 第213-214页 |
| 参考文献 | 第214-233页 |
| 攻读学位期间取得学术成果 | 第233-235页 |
| 附录 | 第235-257页 |
| A.1.本文所涉及到多重概念说明 | 第235页 |
| A.2.基本型遗传算法 | 第235-236页 |
| A.3.基本型粒子群算法 | 第236-237页 |
| A.4.K-mean聚类算法 | 第237页 |
| A.5.K-medians聚类算法 | 第237-238页 |
| A.6.模糊C-means聚类算法 | 第238页 |
| A.7.K-means++算法 | 第238-239页 |
| B.1.基于密度估计的初始种群生成方法 | 第239-240页 |
| B.2.基于改进K-means++的初始化种子点生成方法 | 第240-241页 |
| B.3.基于噪音和K-means++的初始化种群方法 | 第241-243页 |
| B.4.Canopy算法 | 第243页 |
| B.5.基于改进型的Canopy和K-means++的初始化种群方法 | 第243-245页 |
| B.6.基于密度的小生境划分算法 | 第245页 |
| B.7.基于密度共享的小生境遗传算法 | 第245-248页 |
| B.8.基于最优染色体的K-means自动聚类算法 | 第248页 |
| C.1.基于新颖的模糊PSO-GA融合算法 | 第248-252页 |
| D.1.基于遗传-模糊蚁群混合的K-means自动聚类算法 | 第252-253页 |
| E.1.基于MapReduce的Canopy算法 | 第253-254页 |
| E.2.基于MapReduce的K-means++算法 | 第254-255页 |
| E.3.基于MapReduce的K-means自动聚类算法 | 第255页 |
| F.1.基于角度划分和余弦定理约束的轨迹片段生成算法 | 第255-257页 |
| F.2.基于拉格日朗日定理的模糊C-means聚类算法 | 第257页 |
| F.3.基于最小二乘回归的轨迹自动生成方法 | 第257页 |
