| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 第1章 绪论 | 第10-15页 |
| ·研究的背景、意义和目的 | 第10页 |
| ·国内外的研究现状 | 第10-12页 |
| ·存在的问题和未来的研究方向 | 第12-13页 |
| ·本文的研究内容和组织结构 | 第13-15页 |
| 第2章 聚类分析综述 | 第15-25页 |
| ·聚类的定义 | 第15页 |
| ·聚类的相似度度量方法 | 第15-17页 |
| ·聚类准则函数 | 第17-18页 |
| ·聚类算法的分类 | 第18-21页 |
| ·各种聚类算法的比较 | 第21-22页 |
| ·聚类算法研究面临的挑战 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 模糊聚类算法研究 | 第25-42页 |
| ·目标函数的演化 | 第26-30页 |
| ·模糊划分矩阵U | 第26-27页 |
| ·距离范数的选择 | 第27-28页 |
| ·对聚类原型P 的研究 | 第28-29页 |
| ·加权指数m 的研究 | 第29-30页 |
| ·聚类分析的数据类型X | 第30页 |
| ·模糊聚类算法目标函数的优化方法 | 第30-32页 |
| ·基于交替迭代的优化方法 | 第30-31页 |
| ·基于神经网络的优化方法 | 第31页 |
| ·基于进化计算的优化方法 | 第31-32页 |
| ·模糊C-均值聚类算法 | 第32-41页 |
| ·模糊C-均值算法的目标函数 | 第33-36页 |
| ·模糊C-均值算法的实现步骤 | 第36-37页 |
| ·模糊C-均值算法中的参数 | 第37-39页 |
| ·模糊C-均值算法的研究现状 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 基于信息熵蚁群聚类的模糊C-均值算法的改进策略 | 第42-58页 |
| ·蚁群聚类算法 | 第42-45页 |
| ·基于信息熵的蚁群聚类算法 | 第45-47页 |
| ·信息熵的概念 | 第45-46页 |
| ·引入信息熵的蚁群聚类算法 | 第46-47页 |
| ·模糊C-均值算法 | 第47-53页 |
| ·属性加权 | 第48-51页 |
| ·降低噪声数据的敏感性 | 第51-53页 |
| ·基于信息熵蚁群聚类的模糊C-均值算法的改进策略 | 第53-56页 |
| ·算法思想 | 第53-55页 |
| ·改进算法的描述 | 第55-56页 |
| ·改进算法的性能分析 | 第56-57页 |
| ·时间复杂度 | 第56页 |
| ·改进算法的优势 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第5章 实验仿真 | 第58-64页 |
| ·人工数据集的测试结果 | 第58-60页 |
| ·标准数据集的测试结果 | 第60-64页 |
| 第6章 总结与展望 | 第64-66页 |
| ·本文的工作 | 第64-65页 |
| ·进一步的研究方向 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间发表的学术论文及科研工作 | 第72-73页 |
| 致谢 | 第73页 |