基于蚁群算法的混合属性数据集聚类方法的研究
| 独创性声明 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-10页 |
| 第一章 引言 | 第10-14页 |
| ·论文研究背景 | 第10页 |
| ·数据挖掘技术 | 第10-13页 |
| ·数据挖掘的概念 | 第10-11页 |
| ·数据挖掘的过程和分类 | 第11页 |
| ·数据挖掘的现状和发展趋势 | 第11-13页 |
| ·本文主要工作与内容安排 | 第13-14页 |
| 第二章 数据挖掘中的聚类技术 | 第14-21页 |
| ·聚类分析概述 | 第14-16页 |
| ·聚类的概念及描述 | 第14页 |
| ·聚类分析的用途 | 第14-15页 |
| ·对聚类算法的要求 | 第15-16页 |
| ·聚类分析中的相似度度量方法 | 第16-17页 |
| ·数值属性的相似性测量方法 | 第16-17页 |
| ·类属性的相似性测量方法 | 第17页 |
| ·混合属性的相似性测量方法 | 第17页 |
| ·K-means聚类分析算法 | 第17-19页 |
| ·目前聚类算法存在的一些问题 | 第19-21页 |
| 第三章 基于蚁群的聚类算法 | 第21-42页 |
| ·蚁群算法简介 | 第21-26页 |
| ·蚁群算法的原理 | 第21-22页 |
| ·蚁群算法的特征 | 第22-24页 |
| ·蚁群算法的应用 | 第24-26页 |
| ·基于蚁群的聚类算法的产生 | 第26-29页 |
| ·基于蚁堆原理的聚类分析 | 第26-28页 |
| ·基于蚂蚁觅食原理的聚类分析 | 第28-29页 |
| ·基本蚁群聚类算法(LF算法) | 第29-34页 |
| ·蚁群聚类基本模型 | 第29-30页 |
| ·LF算法 | 第30-34页 |
| ·改进的基本蚁群聚类算法(ILF算法) | 第34-38页 |
| ·公式改进 | 第34页 |
| ·半径递增 | 第34-35页 |
| ·短期记忆 | 第35页 |
| ·空间分割 | 第35-36页 |
| ·参数设置 | 第36页 |
| ·算法(ILF算法) | 第36-38页 |
| ·实验结果分析 | 第38-41页 |
| ·性能评价 | 第38-39页 |
| ·测试数据 | 第39-40页 |
| ·结果分析 | 第40-41页 |
| ·结论 | 第41-42页 |
| 第四章 基于信息熵的蚁群聚类算法 | 第42-49页 |
| ·基于信息熵的蚁群聚类算法(EAC算法) | 第42-43页 |
| ·基于信息熵的改进的蚁群聚类算法(IEAC算法) | 第43-46页 |
| ·半径递增 | 第44页 |
| ·短期记忆 | 第44页 |
| ·强行放下 | 第44-45页 |
| ·参数设置 | 第45页 |
| ·算法(IEAC算法) | 第45-46页 |
| ·实验结果分析 | 第46-48页 |
| ·测试数据 | 第46-47页 |
| ·结果分析 | 第47-48页 |
| ·结论 | 第48-49页 |
| 第五章 结论与展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54-55页 |
| 攻读学位期间所获得的相关科研成果 | 第55页 |
