| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-16页 |
| ·研究背景和意义 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·蚁群算法 | 第12-13页 |
| ·粒子群算法 | 第13-14页 |
| ·聚类分析 | 第14页 |
| ·本文的工作 | 第14-15页 |
| ·本文的组织结构 | 第15-16页 |
| 第2章 聚类分析和蚁群聚类算法 | 第16-25页 |
| ·数据挖掘基本概念 | 第16页 |
| ·数据挖掘的过程及方法 | 第16-17页 |
| ·聚类分析 | 第17-19页 |
| ·聚类分析基本概述 | 第17-18页 |
| ·聚类分析基础 | 第18-19页 |
| ·基于划分聚类方法 | 第19-21页 |
| ·K-means 算法 | 第19-20页 |
| ·K-medoids 算法 | 第20-21页 |
| ·蚁群聚类算法 | 第21-24页 |
| ·蚁群聚类算法基本原理 | 第21-22页 |
| ·蚁群聚类算法的发展 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 基于相对 Canberra 距离的蚁群聚类算法 | 第25-31页 |
| ·相对 Canberra 距离的相关概念 | 第25-26页 |
| ·向量相似性度量方法对比 | 第26-27页 |
| ·基于相对 Canberra 距离的蚁群聚类算法 | 第27-29页 |
| ·实验结果 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第4章 基于群智能的蚁群聚类算法 | 第31-41页 |
| ·传统蚁群聚类算法的不足 | 第31页 |
| ·基于群智能的蚁群聚类算法的相关概念 | 第31-32页 |
| ·基于群智能的蚁群聚类算法的改进方案 | 第32-37页 |
| ·数据预处理 | 第32-33页 |
| ·相似度度量方法改进方案 | 第33-34页 |
| ·拾起和放下操作的改进方案 | 第34-36页 |
| ·记忆策略的提高和噪声数据的处理 | 第36-37页 |
| ·基于群智能的蚁群聚类算法描述 | 第37-40页 |
| ·本章小结 | 第40-41页 |
| 第5章 算法的实验及对比 | 第41-52页 |
| ·聚类结果评价准则 | 第41-44页 |
| ·内部度量 | 第41-42页 |
| ·外部度量 | 第42-43页 |
| ·相对度量 | 第43-44页 |
| ·实验环境 | 第44页 |
| ·实验数据 | 第44-45页 |
| ·实验数据选取 | 第44页 |
| ·实验数据预处理 | 第44-45页 |
| ·实验验证过程 | 第45页 |
| ·实验结果 | 第45-50页 |
| ·参数最优值实验结果 | 第45-47页 |
| ·算法对比实验结果 | 第47-50页 |
| ·本章小结 | 第50-52页 |
| 第6章 总结与展望 | 第52-54页 |
| ·本文工作总结 | 第52-53页 |
| ·进一步的研究展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 作者简介及在学期间所取得的科研成果 | 第58-59页 |
| 致谢 | 第59页 |