第1章 绪论 1
1.1 引言 1
1.2 聚类分析的研究进展 3
1.2.1 聚类分析的基本方法 3
1.2.2 聚类分析的典型应用 5
1.2.3 聚类分析方法面临的挑战 7
1.3 用于聚类分析的智能算法 8
1.4 遗传算法的发展 10
1.5 免疫算法的发展 14
1.5.1 生物免疫系统 14
1.5.2 人工免疫系统 16
1.5.3 免疫遗传算法 20
1.6 粗糙集理论的发展 21
1.7 本章小结 23
参考文献 23
第2章 智能聚类分析的基本方法 29
2.1 智能聚类分析与数据挖掘的关系 29
2.2 智能聚类分析与分类的关系 31
2.3 智能聚类分析的过程及典型要求 33
2.3.1 聚类分析的基本过程 33
2.3.2 聚类分析的典型要求 36
2.4 主要聚类算法及比较 37
2.4.1 聚类算法评价准则 37
2.4.2 常见的距离函数 38
2.4.3 聚类分析中的聚类准则函数 38
2.4.4 主要聚类算法分析及比较 40
2.5 聚类效果的评估 46
2.5.1 评估的难点 46
2.5.2 常用的评估方法 47
2.6 智能聚类分析方法的研究热点 49
2.7 本章小结 51
参考文献 51
第3章 基于信息熵粗糙集理论的智能聚类分析算法 55
3.1 粗糙集理论基础 55
3.1.1 知识表达系统与决策系统 55
3.1.2 知识的依赖性 57
3.1.3 约简与核 58
3.1.4 知识的重要性 59
3.1.5 属性约简与规则约简 60
3.2 基于粗糙熵的智能聚类分析属性约简 61
3.2.1 粗糙熵 61
3.2.2 基于粗糙熵的智能聚类属性约简算法 63
3.2.3 实验验证 65
3.3 改进的属性约简算法在智能聚类分析中的应用 67
3.4 本章小结 69
参考文献 69
第4章 基于信息熵自适应并行免疫遗传算法的智能聚类分析及其应用 72
4.1 遗传算法基础 72
4.1.1 基本遗传算法基本概念 72
4.1.2 遗传算法的实现流程 73
4.2 遗传算法的关键实现技术 75
4.2.1 遗传编码 75
4.2.2 初始种群的设定 77
4.2.3 适应度函数及尺度变换 77
4.2.4 遗传算子 80
4.2.5 遗传算法的特点 85
4.2.6 遗传算法的不足 86
4.3 改进的免疫遗传算法 87
4.3.1 生物免疫系统 87
4.3.2 免疫遗传算法基本原理 88
4.3.3 改进的免疫遗传算法 90
4.3.4 实验验证 97
4.4 K均值聚类算法存在的问题 100
4.5 基于信息熵自适应并行免疫遗传算法（IPAIGKA）的智能聚类分析 102
4.5.1 IPAIGKA算法的基本思想 102
4.5.2 基于信息熵的自适应并行免疫遗传算法的K均值聚类算法 103
4.6 文本聚类分析应用 104
4.6.1 比较测试实验一 105
4.6.2 比较测试实验二 106
4.7 本章小结 108
参考文献 108
第5章 基于向量空间模型的智能聚类分析算法及其应用 111
5.1 信息检索 111
5.2 向量空间模型 112
5.3 蚁群算法的基本原理 113
5.4 向量空间模型的基本原理 115
5.5 基于路径相似度的蚁群算法 117
5.5.1 路径相似度 118
5.5.2 基于路径相似度的“信息素”更新规则 120
5.6 基于路径相似度的蚁群遗传算法 120
5.7 本章小结 121
参考文献 121
第6章 基于有偏观测模糊C均值智能聚类分析算法及其应用 123
6.1 模糊C均值智能聚类分析算法 123
6.2 基于有偏观测模糊C均值智能聚类分析算法 124
6.3 智能聚类分析在轴承故障诊断中的应用 126
6.3.1 实验装置 127
6.3.2 特征计算 128
6.3.3 基于熵的特征选择 130
6.4 实验测试结果 131
6.4.1 特征选择结果 131
6.4.2 故障识别结果 132
6.4.3 多故障分类 133
6.5 本章小结 134
参考文献 134