●第1章 引言
1.1 國內外研究進展
1.1.1 基於劃分的聚類算法研究進展
1.1.2 基於智能學習的劃分聚類算法研究進展
1.2 GNSS數據智能聚類研究概述
1.3 GNSS數據集
1.4 本章小結
第2章 主要的支撐技術
2.1 主要的智能學習技術
2.1.1 遺傳算法
2.1.2 粒子群算法
2.1.3 蟻群算法
2.2 基於劃分的聚類技術
2.2.1 K-means
2.2.2 K-medians
2.2.3 Fuzzy C-means
2.2.4 K-means++
2.3 非監督聚類評估技術
2.3.1 PBM-index聚類評估技術
2.3.2 DB-index聚類評估技術
2.3.3 輪廓繫數聚類評估技術
2.4 主要的非參數統計方法
2.4.1 Friedman Test
2.4.2 Wilcoxon Rank Sum Test
2.5 模糊繫統
2.6 本章小結
第3章 GPS數據的遺傳自動聚類算法研究
3.1 初始化種群生成技術
3.1.1 染色體編碼與初始化種群生成技術
3.1.2 Density-KMPlus:基於密度估計與K-means++的初始化種群生成方法
3.1.3 Noise-KMPlus:基於噪聲與K-means++的初始化種群生成方法
3.1.4 IConopy-KMPlus:改進Canopy與K-means++的初始化種群生成方法
3.1.5 適應度函數選擇
3.2 遺傳操作
3.2.1 選擇操作
3.2.2 基因重排與自適應交叉操作
3.2.3 自適應變異操作
3.2.4 精英操作
3.2.5 共享小生境操作
3.3 SeedClust:結合Density-KMPlus的遺傳K-means自動聚類方法
3.3.1 基於Density-KMPlus的遺傳聚類方法描述
3.3.2 實驗結果及復雜度分析
3.3.3 基於Wilcoxon Rank Sum Test的非參數統計分析
3.4 NoiseClust:結合Noise-KMPlus的遺傳K-means自動聚類方法
3.4.1 基於Noise-KMPlus的小生境遺傳聚類方法描述
3.4.2 實驗結果及復雜度分析
3.4.3 基於Wilcoxon Rank Sum Test的非參數統計分析
3.5 NicheClust:結合ICanopy-KMPlus的小生境遺傳K-means自動聚類方法
3.5.1 基於ICanopy-KMPlus的小生境遺傳聚類方法描述
3.5.2 實驗結果及復雜度分析
3.5.3 基於Friedman Test的非參數統計分析
3.6 本章小結
第4章 GPS數據的模糊粒子群-遺傳混合自動聚類算法研究
4.1 算法的關鍵技術
4.1.1 模糊繫統輸入參數的設置
4.1.2 PSO-GA混合聚類的原理及基本步驟
4.2 基於FPSO-GA混合獲取很優粒子的K-means自動聚類算法
4.2.1 算法的主要步驟
4.2.2 實驗參數的設置
4.2.3 實驗結果的對比和分析
4.3 基於FPSO-GA混合的K-means自動聚類算法
4.3.1 算法流程
4.3.2 實驗參數的設置
4.3.3 實驗結果的對比和分析
4.4 本章小結
第5章 GPS數據的遺傳-模糊蟻群混合自動聚類算法研究
5.1 算法的關鍵技術
5.1.1 遺傳-模糊蟻群聚類的基本原理
5.1.2 算法的主要步驟
5.2 實驗結果
5.2.1 實驗參數的設置
5.2.2 AutoClust實驗結果的對比和分析
5.2.3 GA-FACO實驗結果的對比和分析
5.3 本章小結
第6章 基於MapReduce的GPS數據遺傳自動聚類算法研究
6.1 MapReduce技術
6.2 基於MapReduce的自適應遺傳的GPS數據聚類
6.2.1 MrkClust:基於MapReduce的新穎的GAK聚類算法
6.2.2 算法流程
6.3 實驗結果
6.3.1 數據集描述與參數設置
6.3.2 實驗結果的對比及分析
6.4 本章小結
第7章 最小二乘非監督軌跡回歸算法與模糊遺傳軌跡聚類研究
7.1 最小二乘回歸基本原理
7.2 基於FCM的軌跡聚類方法
7.2.1 軌跡的描述及定義
7.2.2 軌跡片段的生成
7.2.3 基於拉格朗日定理的軌跡FCM聚類算法
7.2.4 最小二乘的軌跡回歸結果
7.2.5 關於實驗數據的描述
7.2.6 結果及復雜度分析
7.3 基於模糊遺傳的軌跡聚類方法
7.3.1 模糊遺傳算法
7.3.2 聚類結果及復雜度分析
7.3.3 最小二乘回歸的軌跡回歸結果
7.4 本章小結
參考文獻
附錄