| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 选题的意义 | 第9-10页 |
| 1.2 国内外相关研究现状及发展 | 第10-11页 |
| 1.3 论文主要研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 聚类分析相关理论 | 第14-24页 |
| 2.1 聚类分析的基本概念 | 第14-16页 |
| 2.1.1 距离和相似系数度量 | 第14-15页 |
| 2.1.2 聚类分析中的数据结构 | 第15-16页 |
| 2.2 基本聚类方法概述 | 第16-21页 |
| 2.2.1 基于划分的方法 | 第16-17页 |
| 2.2.2 基于层次的方法 | 第17-18页 |
| 2.2.3 基于密度的方法 | 第18-19页 |
| 2.2.4 基于网格的方法 | 第19-20页 |
| 2.2.5 基于模型的方法 | 第20页 |
| 2.2.6 双聚类方法 | 第20-21页 |
| 2.3 聚类算法评价 | 第21-23页 |
| 2.3.1 确定簇数 | 第21页 |
| 2.3.2 测定聚类质量 | 第21-23页 |
| 2.4 聚类分析技术的应用 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 人工鱼群算法及其优化 | 第24-38页 |
| 3.1 基本人工鱼群算法 | 第24-26页 |
| 3.1.1 人工鱼群的结构模型 | 第24-25页 |
| 3.1.2 人工鱼群的四种基本行为 | 第25-26页 |
| 3.2 改进的自适应人工鱼群算法 | 第26-28页 |
| 3.2.1 基于Log-Linear模型的人工鱼群算法 | 第26-27页 |
| 3.2.2 优化的觅食行为 | 第27页 |
| 3.2.3 优化的聚群行为 | 第27页 |
| 3.2.4 优化的追尾行为 | 第27-28页 |
| 3.3 visual和step值的设置 | 第28页 |
| 3.4 Gauss-Cauchy变异 | 第28-30页 |
| 3.4.1 Gauss变异 | 第28-29页 |
| 3.4.2 Cauchy变异 | 第29-30页 |
| 3.5 NAFSA算法思想和步骤 | 第30-31页 |
| 3.6 仿真实验 | 第31-37页 |
| 3.7 本章小结 | 第37-38页 |
| 第四章 改进的人工鱼群算法在模糊聚类中的研究 | 第38-46页 |
| 4.1 模糊聚类 | 第38-40页 |
| 4.1.1 模糊集合 | 第38页 |
| 4.1.2 模糊簇 | 第38-39页 |
| 4.1.3 模糊聚类分析的数据模型 | 第39页 |
| 4.1.4 模糊聚类分析算法 | 第39-40页 |
| 4.2 FCM算法的研究 | 第40-42页 |
| 4.2.1 数据集C的划分 | 第40页 |
| 4.2.2 FCM算法简介 | 第40-42页 |
| 4.3 改进的人工鱼群与FCM混合聚类算法 | 第42-44页 |
| 4.3.1 算法思想 | 第42-43页 |
| 4.3.2 算法步骤 | 第43-44页 |
| 4.4 仿真实验 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 NAFSA-FCM算法在交通拥堵区域划分中的应用 | 第46-56页 |
| 5.1 研究背景 | 第46-47页 |
| 5.2 智能交通系统概述 | 第47-48页 |
| 5.3 实验数据来源及处理 | 第48-50页 |
| 5.3.1 时空轨迹数据简介 | 第48页 |
| 5.3.2 出租车GPS数据集简介 | 第48-49页 |
| 5.3.3 数据时间片分割 | 第49-50页 |
| 5.3.4 数据除噪处理 | 第50页 |
| 5.4 实验结果及分析 | 第50-55页 |
| 5.4.1 时间片数据基于NAFSA-FCM算法聚类 | 第50-52页 |
| 5.4.2 交通拥堵区域的判定 | 第52-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 主要结论与展望 | 第56-58页 |
| 6.1 主要结论 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第62页 |
