| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 K-means算法国内外研究现状 | 第10-11页 |
| 1.3 本文的主要研究内容 | 第11-12页 |
| 1.4 论文的组织框架 | 第12-13页 |
| 第2章 聚类分析和相关算法简介 | 第13-21页 |
| 2.1 聚类分析概述 | 第13-19页 |
| 2.1.1 聚类分析的定义 | 第13页 |
| 2.1.2 聚类分析方法分类 | 第13-15页 |
| 2.1.3 聚类分析中数据的结构 | 第15页 |
| 2.1.4 数据的标准化方法 | 第15-16页 |
| 2.1.5 聚类分析中相似性度量方法 | 第16-18页 |
| 2.1.6 聚类分析中的准则函数 | 第18-19页 |
| 2.2 K-means算法简介 | 第19-20页 |
| 2.2.1 K-means算法描述 | 第19-20页 |
| 2.2.2 K-means算法的优缺点 | 第20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 基于改进的密度峰值算法的K-means算法 | 第21-31页 |
| 3.1 熵值法计算赋权欧氏距离 | 第21-22页 |
| 3.1.1 熵值法 | 第21页 |
| 3.1.2 算法实现过程 | 第21-22页 |
| 3.2 DPC算法简介 | 第22-25页 |
| 3.2.1 局部密度和距离 | 第22-23页 |
| 3.2.2 聚类中心的选取 | 第23-24页 |
| 3.2.3 算法优化 | 第24-25页 |
| 3.3 改进的DPC算法 | 第25-27页 |
| 3.4 改进的K-means算法 | 第27-28页 |
| 3.5 实验分析 | 第28-29页 |
| 3.5.1 实验数据描述 | 第28页 |
| 3.5.2 实验结果分析 | 第28-29页 |
| 3.6 本章小结 | 第29-31页 |
| 第4章 改进的K-means融合微粒群优化的基因选择方法 | 第31-37页 |
| 4.1 PSO算法 | 第31-33页 |
| 4.1.1 PSO算法原理 | 第31-32页 |
| 4.1.2 PSO算法流程 | 第32页 |
| 4.1.3 PSO算法参数分析 | 第32-33页 |
| 4.2 IK-PSO算法 | 第33-34页 |
| 4.3 实验分析 | 第34-36页 |
| 4.3.1 实验数据描述 | 第34-35页 |
| 4.3.2 实验结果分析 | 第35-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第5章 结论与展望 | 第37-39页 |
| 5.1 结论 | 第37页 |
| 5.2 展望 | 第37-39页 |
| 参考文献 | 第39-43页 |
| 在学研究成果 | 第43-44页 |
| 致谢 | 第44页 |