| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 选题背景及研究意义 | 第11-15页 |
| 1.2 主要研究内容和组织结构 | 第15-16页 |
| 1.3 本文主要创新点 | 第16-18页 |
| 第2章 聚类算法的理论基础 | 第18-27页 |
| 2.1 相似性度量方式 | 第18-19页 |
| 2.2 聚类算法分类 | 第19-24页 |
| 2.3 近邻传播聚类算法 | 第24-25页 |
| 2.4 聚类有效性指标 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于人工蜂群的半监督近邻传播聚类算法及其应用 | 第27-38页 |
| 3.1 近邻传播算法参数分析 | 第27-28页 |
| 3.1.1 偏向参数 | 第27-28页 |
| 3.1.2 阻尼系数 | 第28页 |
| 3.2 人工蜂群算法 | 第28-31页 |
| 3.2.1 算法思想 | 第28-29页 |
| 3.2.2 半监督的近邻传播聚类算法 | 第29-30页 |
| 3.2.3 算法描述 | 第30-31页 |
| 3.2.4 基于人工蜂群的半监督近邻传播算法流程 | 第31页 |
| 3.3 仿真实验与分析 | 第31-34页 |
| 3.3.1 实验数据 | 第31页 |
| 3.3.2 实验结果与分析 | 第31-34页 |
| 3.4 基于人工蜂群的半监督近邻传播聚类算法在上市公司股票的应用 | 第34-37页 |
| 3.4.1 数据预处理 | 第34-35页 |
| 3.4.2 指标选取 | 第35页 |
| 3.4.3 聚类结果及分析 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于大规模数据的近邻传播聚类算法 | 第38-43页 |
| 4.1 基于大规模数据的近邻传播聚类算法 | 第38-40页 |
| 4.1.1 密度峰值聚类算法 | 第38页 |
| 4.1.2 基于大规模数据的近邻传播算法思想 | 第38-40页 |
| 4.1.3 基于大规模数据的近邻传播算法流程 | 第40页 |
| 4.2 仿真实验与分析 | 第40-42页 |
| 4.3 本章小结 | 第42-43页 |
| 第5章 基于自适应步长的布谷鸟近邻传播聚类算法及其应用 | 第43-52页 |
| 5.1 布谷鸟优化算法 | 第43-44页 |
| 5.2 基于自适应步长的布谷鸟近邻传播聚类算法 | 第44-45页 |
| 5.2.1 自适应步长 | 第44-45页 |
| 5.2.2 基于自适应步长的布谷鸟算法 | 第45页 |
| 5.2.3 算法流程 | 第45页 |
| 5.3 仿真实验与分析 | 第45-48页 |
| 5.3.1 实验数据 | 第45-46页 |
| 5.3.2 实验结果与分析 | 第46-48页 |
| 5.4 基于自适应步长的布谷鸟近邻传播聚类算法在地震分级中的应用 | 第48-51页 |
| 5.4.1 数据预处理 | 第49页 |
| 5.4.2 聚类结果与分析 | 第49-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第6章 改进算法在居民消费支出中的应用 | 第52-55页 |
| 6.1 数据选取 | 第52-53页 |
| 6.2 聚类结果分析 | 第53-54页 |
| 6.3 本章小结 | 第54-55页 |
| 第7章 总结与展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 作者简历 | 第62-63页 |
| 后记 | 第63页 |
