一、数据挖掘技术及其应用(论文文献综述)
刘薇[1](2021)在《基于深度学习的股票数据挖掘方法及其应用》文中认为金融科技是利用人工智能技术对金融数据进行挖掘并为金融市场提供服务的研究领域,其中股票数据挖掘是研究重点之一。随着股票系统电子化,股票市场时刻产生海量的数据。但是由于绝大部分投资者无法专业地对股票数据进行分析,故易受股市舆情影响,投资时缺乏交易策略,导致其损失惨重。因此,有效地进行股票数据挖掘能够引导投资者活动,促进股市健康发展。本文重点研究股票数据挖掘方法和应用,针对不同类型的股票数据,分别研究股市舆情分析方法和股票交易策略模型,提高方法的有效性和可靠性,并搭建“上证50”股票数据挖掘系统。本文主要内容包括以下几个方面:1.提出基于FinBERT-CNN的股吧评论情感分析方法:针对股吧评论信息数据,提出通过FinBERT预训练模型进行语义特征学习,同时结合卷积神经网络进行局部特征学习,解决股吧评论标注数据集缺乏和特征提取单一的问题,从而提高模型的准确性。2.提出基于深度Q网络的股票交易策略模型:针对股票行情数据和评论信息,研究基于动态阈值的股票买卖点判断方法,提出基于深度Q网络融合的框架构建股票交易策略。同时,将评论数据情绪量化并融合到股票状态空间表示中,解决现有交易策略模型数据单一的问题,提高策略的稳定性,降低投资风险。3.构建“上证50”股票数据挖掘系统原型:根据海量股票数据挖掘的需求,实现基于RPA的“上证50”股票数据挖掘系统原型,设计股票信息搜索引擎、股票舆情分析、股票买卖点判断和投资组合功能,达到较好的股票数据挖掘效果。利用不同类型的股票数据进行分析挖掘,辅助投资者交易,促进市场健康地发展,是金融科技研究领域的研究目标。本文研究不同任务的股票数据挖掘方法,提出的股吧评论情感分析方法和股票交易策略模型较现有研究更优,构建的“上证50”股票数据挖掘系统也可用于辅助投资者投资决策。
刘奕[2](2020)在《5G网络技术对提升4G网络性能的研究》文中指出随着互联网的快速发展,越来越多的设备接入到移动网络,新的服务与应用层出不穷,对移动网络的容量、传输速率、延时等提出了更高的要求。5G技术的出现,使得满足这些要求成为了可能。而在5G全面实施之前,提高现有网络的性能及用户感知成为亟需解决的问题。本文从5G应用场景及目标入手,介绍了现网改善网络性能的处理办法,并针对当前5G关键技术 Massive MIMO 技术、MEC 技术、超密集组网、极简载波技术等作用开展探讨,为5G技术对4G 网络质量提升给以了有效参考。
沈思勋[3](2019)在《制造企业信息系统中产品碳足迹数据挖掘及其应用》文中提出随着全球温室效应的不断加重,环境问题日益凸显,面对越来越严重的环境问题,世界范围内掀起了一场“低碳革命”,旨在提高能效、减少碳排放。中国是一个制造业大国,制造业如何实现低碳制造也迫在眉睫。近年来关于碳足迹相关的研究颇多,但基本上是在碳足迹核算上进行研究,而对于产品碳足迹数据处理的研究少之又少。本文在低碳制造的大环境下,针对目前制造企业的产品碳足迹数据进行数据挖掘,通过产品碳足迹数据挖掘出有潜在价值的信息,帮助制造企业决策分析,最终实现制造企业的低碳制造。基于以上事实,本文从产品碳足迹数据出发,由研究产品信息以及产品加工过程中所产生的碳排放进行挖掘分析,为制造企业的低碳制造提供技术支持。本文的主要工作内容如下:(1)总结分析关于碳足迹的最近研究成果,对于碳足迹数据挖掘进行阐述,并分析了数据挖掘技术的主要功能和常见的分析方法。由碳足迹数据挖掘的研究现状,总结了碳足迹数据挖掘中存在的问题。(2)本文选取制造企业信息中产品碳足迹为研究对象,并通过分析制造企业信息系统确立产品碳足迹核算的系统边界,并比较碳足迹核算标准和碳足迹核算方法。为了准确挖掘出产品碳足迹潜在有价值的信息,对碳足迹数据进行数据处理以减少残缺数据、冗余数据和噪声数据,提高了数据挖掘的准确性;数据变换易于数据挖掘的存储,使数据属性值落在特定的区间;数据归约通过属性归约和记录归约减少碳足迹数据量,使得数据运算效率得到提升。(3)由碳足迹的基础数据和实时数据建立产品碳足迹的数据仓库,采用不同类型的数据库分类存储,实现产品碳足迹的数据挖掘效率的提升。通过分析产品碳足迹数据挖掘的任务,确立了常见使用的产品碳足迹数据挖掘方法:关联分析、时序分析和聚类分析,由此建立了产品碳足迹数据挖掘模型,实现对产品碳足迹数据挖掘的标准化。(4)为验证本文所提方法的有效性,应用以产品碳足迹数据属性之间的关联进行挖掘。总结了轴加工过程中常见的加工工艺,并以传动轴为实例。通过制造企业信息系统获取传动轴的零件图、加工工艺卡品和加工设备等信息,获取传动轴的加工工艺产生的碳排放量。经过数据处理、数据变换和数据归约的数据,通过关联分析的Apriori算法关联出传动轴加工工艺之间的强规则。(5)关联规则的Apriori算法通过扫描数据库,对每个候选项集计数会产生大量的I/O开销,通过关联规则的改进算法减少I/O开销。通过关联规则的更新算法以解决新增数据与历史数据之间的关联问题。(6)以论文的理论研究为基础,设计并开发了基于JAVA语言的产品碳足迹数据挖掘系统。该系统实现了对产品碳足迹的实时数据搜索、数据处理、数据存储和数据挖掘的可视化操作。该系统对制造企业的低碳减排工作具有重要的价值。
马辉[4](2018)在《可拓室内设计数据挖掘研究》文中研究说明可拓室内设计数据挖掘研究是国家自然科学基金项目《面向可拓建筑策划与设计的可拓数据挖掘理论及其方法研究》(51178132)的重要组成部分,是建筑学、可拓学和数据挖掘领域的交叉研究课题。研究建立在以数据为新能源的数据时代发展初期,探索智能化实现室内设计的新路径。是对现有室内设计理论与方法体系的扩充。研究目的在于利用计算机可以识别并运行的可拓设计语言,将可拓学的学理思想充分嵌入到数据挖掘全链条过程中,优解室内设计问题,发现优选模式下的室内设计知识规律,用于数据化实现可拓室内设计,推动室内设计研究向更理性、更科学、更智能、更高效的方向发展。论文运用跨学科交叉研究、可拓创新研究等方法,将可拓建筑学理论和可拓数据挖掘方法融入到室内设计数据挖掘研究中,构筑了可拓室内设计数据挖掘的基础研究、理论研究、方法研究、应用研究的框架结构。可拓室内设计数据挖掘的基本理论研究,是在可拓建筑设计研究和可拓数据挖掘研究的基础上,深度思考可拓室内设计数据挖掘的基本理论问题,提出支撑后续方法和应用研究的基本理论,为研究展开奠定基础。论文提出了可拓室内设计的概念;提出了描述室内精神感受的感元系统;阐述了计算机可以识别的可拓室内设计基元表达理论;阐述了可拓室内设计思维模式理论和可拓集理论;辨析了可拓室内设计数据挖掘的涵义和修辞关系;明确了研究的方向和任务。可拓室内设计数据仓库的设计研究,是在充分思考可拓学的核心优势和充分考虑设计数据特点的基础上,为设计策略输出建立的可拓数据挖掘操作平台研究,是面向可拓室内设计的,适合可拓数据挖掘结构型质的仓库设计指导。研究建立了处理数据和可拓数据的准入端口;确立了仓库的构成内容;提出了符合可拓数据特点和可拓数据挖掘特点的拓点结构;提出了三项重要的建库逻辑:即指导仓库目标系统设计的面向主题性原则、指导仓库动力系统设计的双轮驱动原则、指导仓库结构系统设计的原型设计原则,为可拓室内设计数据挖掘操作提供平台支持。可拓室内设计数据挖掘的方法研究,是在现有数据挖掘方法研究和可拓数据挖掘方法研究的基础上,按照可拓室内设计问题模式建立的挖掘操作方法研究。本质上是在挖掘到的普遍规律约束下寻找设计最优解或最优区间,以灵活的方式提供满足不同需求下的个性化设计对策。研究建立了以技术路线为依据,以挖掘步骤为展开方式,以实例解析为佐证的挖掘方法体系,详细论述了可拓室内设计数据挖掘的三种基本方法和一种创新方法。其中,有监督的可拓分类挖掘方法、无监督的可拓聚类挖掘方法、描述数据依赖关系的可拓关联挖掘方法,是针对剔除数据雍余后的多数模式的数据分析方法,而代表少数模式的离群数据在设计创新中具有非常重要的意义,研究针对这部分异常模式提出了可拓室内设计离群点挖掘方法,是针对设计数据的创新的挖掘方法。可拓室内设计数据挖掘的知识类型及其应用研究,是在可拓室内设计数据挖掘方法研究的基础上进行的挖掘成果研究,以及基于挖掘成果的应用方式研究。数据挖掘也被称作知识发现,此部分研究是自动处理数据工具的最后一环,是可拓数据挖掘技术与专业内容的衔接与落地。研究呈现了通过可拓数据挖掘方法可以生成的具体的室内设计知识内容,囊括了四种主要的知识类型,并分别阐述了不同类型知识的直接应用和可拓应用模式,完成了面向可拓室内设计的可拓数据挖掘的全过程。总之,研究旨在以数据为基础,以模型为工具,以方法为指导,在可拓室内设计数据仓库的平台上,进行可拓数据挖掘研究,发现以预测、优选、创新为核心的室内设计知识规律,探索一条以数据和需求共同驱动,智能化解决设计问题的数据化设计创新之路。为此,研究建立了可拓室内设计数据挖掘的理论体系、数据仓库设计体系、挖掘操作的方法体系、挖掘结果及其应用体系,形成了完整的可拓室内设计数据挖掘的研究结构。研究工作为数据时代设计发展提供了应对的新策略,为室内设计智能化实现提供了逻辑基础,研究成果拓展了可拓建筑学的学术边界。
容益芳[5](2017)在《基于支持向量机的手机选型偏好预测模型及其应用研究》文中指出“互联网+”理念推动了互联网、云计算、大数据与当代企业的深度融合,在助力不同行业创造更多的效益与价值的同时,也能有效提升民众的幸福感。在“互联网+”思维模式的影响下,各行业领域积累的数据量均呈指数型爆发增长,利用大数据技术中的深度算法改善“数据丰富却知识匮乏”的状况是提高企业核心竞争力的有力手段,尤其在竞争激烈的电信行业。现在随着移动设备的发展越来越迅速,客户数据量越来越多,如何利用现有的数据对顾客需求进行精确预测是精确营销领域炙手可热的研究问题。在传统的精确营销领域中,利用一些基础属性例如性别、年龄、所在地等对客户进行分类之后有针对性地进行营销广告推送,虽然能够在一定程度上发掘用户需求,但是其针对面狭窄且精确度不够高,很多有关客户其他需求在精确营销领域被忽略,客户数据无法得到合理充分的挖掘利用,出现数据资源浪费的情况。如何利用现有数据快速挖掘客户属性,不仅能够有效地提高数据的利用效率,还能更好地为精确营销提供技术支持。本研究能够为精确营销中数据挖掘技术更好实现客户画像提供一定的参考,具有一定的理论意义和实践意义。本文以移动设备采集的客户数据为基础,根据X省2016年1月份换机用户的数据,从客户上月消费情况、本月消费情况、消费情况增长率三个方面对用户的手机选型偏好进行预测,在Python环境中运用支持向量机构建手机选型偏好预测模型,从而达到预测客户换机品牌的倾向,帮助电信公司在进行营销工作时更好地把握客户需求。本文首先依托X省某电信公司“手机终端精确营销需求”项目,收集到以客户代码为主键的多张表格,在数据库中对表格进行连接之后得出最终信息表,对得到的最终信息表进行数据理解、数据清洗、数据转换等工作。其次,本文在详细阐述了支持向量机的运行原理和精确营销的过程之后,利用支持向量机在Python中的应用,以上月消费情况和本月消费情况的8个指标构建了手机选型偏好预测模型,在验证通过分类准确率超过50%之后对模型结果进行验证,准确率达到51%,说明该手机选型偏好预测模型可以给手机终端的精确营销提供一定的参考。为了进一步提高该模型有效性,本研究试着加入消费情况变化率的4个指标,按照之前的建模步骤进行分析,准确率提高至62.63%。最后,本文基于精确营销理论,提出了手机偏好预测模型在精确营销中的应用框架并在此框架中提出了一些可行的精确营销策略,上述营销策略效果在实际的营销工作中有待考证。本文从实际问题出发,将机器学习中的支持向量机应用到客户的手机选型偏好的研究中,研究表明,电信客户的消费行为能够在一定程度上反映出用户的手机选型偏好,且两者之间的关联性较强。本研究对市场人员开展营销工作中的决策有重要意义,能够为电信行业中的精确营销提供一定的技术参考。
张毅[6](2016)在《基于数据挖掘技术的涉毒嫌犯手机信息提取及分析系统》文中研究表明随着计算机通信技术、网络技术及智能终端应用软件开发技术等信息技术的快速发展,智能通信终端已成为涉毒犯罪份子从事刑事犯罪活动主要的工具。现代智能手机中的短信、通信记录、QQ及微信聊天记录、邮件、上网信息等,都有可能记录着犯罪份子的犯罪行为。因此,通过专用的信息采集设备、分析其储存在手机中的各类信息,并通过数据分析的方法对涉毒手机中的大量信息结合其他警用信息平台提供的数据进行综合情报分析研判,找到犯罪痕迹及贩毒网络,逐渐成为公安部门打击犯罪的有利武器。本文以公安情报工作中所涉及的数据挖掘理论及应用方法为切入点,重点对智能手机数据采集技术进行了研究,并以其采集数据作为公安大情报系统的基础数据源,利用数据挖掘技术及常用工具建立一个跨平台、多数据源的涉毒综合情报分析系统。同时,以此平台为应用基础,开发了吸贩毒分析模型及多维度分析数据展示模型。本文主要工作如下:1、综合阐述数据挖掘理论及其分析方法、智能手机的数据采集技术的现状与发展。然后根据公安大情报系统的实际要求及技术现状,提出了一个以智能手机采集数据为基础的涉毒综合情报分析系统的建设方案。2、设计基于数据挖掘技术的涉毒嫌犯手机信息提取及分析系统。在本系统的设计中,本文主要研究了数据挖掘的基础理论知识及应用、以OTG技术为核心的智能手机数据采集,并结合数据挖掘技术特别是利用分类、回归分析、聚类[1]、关联规则等数据挖掘方法,建立一个跨平台的涉毒综合情报分析系统,并着重对系统中的吸贩毒侦查模型和多维度数据展现模型进行了研究和开发。3、具体研究了利用OTG技术、分布式数据存储实现信息数据集中应用的问题。一方面利用OTG技术解决了不同操作系统间智能通信终端的数据交换和数据解析,成功将智能通信终端的数据作为为整个情报系统的基础数据,改变了以往以身份证加户籍信息为基础的个人信息采集模式。另一方面,通过分布式数据存储及数据挖掘应用解决了日益庞大但分布在各个数据孤岛上的数据集中应用问题,使数据成为信息,进而转换为情报,以此为依据对各类犯罪信息进行趋势预判。4、设计了基于数据挖掘方法的手机信息情报分析平台,并建立相应的应用模型。通过多维数据展现及数据挖掘模型开发了吸贩毒行为分析模型,改变了以往二维方式的数据展现,符合日益复杂的人际关系和时序关系在实战侦查工作中的应用需求。5、开展相应的测试和分析。结合实际工作,利用所设计的手机情报数据平台,对涉毒手机开展数据挖掘和相关情报信息收集的测试,并进行结果分析。
崔广风[7](2014)在《数据挖掘中的统计方法及其应用研究》文中研究表明由于在数据挖掘的各种方法和技术中,最基础和最重要的方法是统计方法,而且统计理论也催生了许多新的数据挖掘方法,所以研究数据挖掘中的统计方法及其应用不仅可以给数据挖掘的实际工作者提供使用建议和指导,而且可利用统计方法分析数据挖掘中的数据特征,为研究者和实践者推进科技发展和创造社会财富奠定理论基础。本文在研究现有主要数据挖掘方法和软件及其应用基础上,着重分析研究了数据挖掘中涉及的统计方法、模型及它们在数据挖掘中的应用;剖析了数据挖掘中的机器学习和统计学习机理;在研究了覆盖分类学习方法和基于概率的覆盖算法对海量数据处理能力的局限性后,提出了基于贝叶斯理论的改进覆盖算法,即以贝叶斯公式获得的后验概率替代通过投票方式确定覆盖边界中的样本类别,该算法提高了分类的可信度和稳定性。主要有以下四个方面:1.比较分析研究了现有主要数据挖掘方法和软件及其应用,可为使用者使用这些方法和软件提供选用帮助和建议;2.按照数据挖掘的过程和任务,逐一分析研究了其中使用的统计方法、模型等统计学中的理论,可为挖掘具有统计特征的数据信息的知识提供参考;3.重点从产生数据挖掘的新方法的学习机理分析入手,研究了一些基于机器学习和统计学习的数据挖掘方法的机理,为构造挖掘具有统计特征的数据知识新方法提供方向建议;4.针对支持向量机方法在处理大型数据库中使用数据分类的困难,分析研究了覆盖分类学习方法和基于概率的覆盖算法对一些样本不能正确分类的问题后,提出使用贝叶斯的理论融合覆盖分类学习方法和基于概率的覆盖算法解决测试样本中边界样本的分类问题的新学习机。该学习机包括二层结构:基于覆盖学习的分类模型的结构和基于贝叶斯理论的覆盖分类学习模型结构--覆盖分类学习机,实现了对海量数据进行高效地分类。本文的创新和特色体现在第4个方面。
蔡朱华[8](2014)在《基于聚类分析的可视化技术及其应用研究》文中研究说明随着科技的进步特别是整个信息产业的快速发展,我们的社会进入了一个崭新的信息时代。不仅数据采集能力和手段越来越多样化,存储设备技术也迅猛发展,数据采集与存储设备的不断发展带来了大数据的时代。面对大量且繁杂的数据信息,如何从中提取出有价值且便于用户观察的信息是最迫切而重要的问题。显然要解决上述的问题,仅仅采用数据挖掘容易造成得到的信息不易被理解或不一定正确的问题,因而本文研究可视化数据挖掘技术,将数据挖掘和数据可视化技术结合在一起,相辅相成。目前可视化技术与数据挖掘算法的联系是较松散,针对这一现象,本文主要研究内容是如何将数据挖掘算法与可视化技术更好地更高效地融合,并以聚类分析算法为切入点将挖掘过程中的数据可视化、过程可视化及结果可视化进行相应的研究,同时也提供在社交网络、科学研究领域等方面的应用示例。主要研究内容如下:(1)提出了一种基于MASI距离的层次聚类方法,并融合了随机抽样的方法,对层次聚类算法进行了改进并将算法应用到职业网络数据集中实现了结果可视化。采用了随机抽样之后的层次聚类算法的时间复杂度有效地降低了,并且在聚类结果可视化以不同的树形图进行呈现,一目了然。(2)提出基于SOM聚类的可视化模型,并将模型应用到大气温度数据集实现聚类过程及聚类结果的可视化,并提出了基于聚类的兴趣度量和基于近邻的兴趣度量来对属性进行排名,优化了数据挖掘结果的可视化。值得一提的是该应用中的交互可视化设计,它结合了颜色映射、缩放等交互技术让用户更方便地进行观察和分析数据。(3)将平行坐标可视化技术与K-Means算法相结合,在实验过程中通过可视化技术同时对数据和挖掘结果进行可视化,从而提高了算法的效率和准确度。以Iris数据集为测试数据对K-Means算法可视化的有效性进行验证,实验表明相较于传统的K-Means算法,其效率和正确率都有较大的提高。
王萍[9](2014)在《基于电子商务背景的智能挖掘技术及应用研究》文中认为随着因特网技术的飞速发展,人类社会进入了以IT产业为支柱的崭新经济时代,电子商务已渗入到生活的方方面面。如何才能在电子商务产生的信息汪洋中及时发现有价值的信息并利用它们做出科学的决策最终为企业创造利润,是企业亟需解决的难题。数据挖掘可以为解决这一难题提供便利。本文选择了影响电子商务活动几个重要因素中的客户价值分类和销售额作为研究对象,开展了大量工作。一方面针对客户价值的分类问题,本文阐述了基于支持向量机的分类方法。首先对支持向量机分类方法进行了分析,从理论上分析了它在解决非线性、维数灾难和局部最小等实际问题时所表现出的优势,并分析了影响支持向量机分类性能的关键因素,然后本文综合了销售量、销售增长率、客户的服务成本、与竞争企业的交易量作为客户价值分类技术指标,将支持向量机用于在线电子商务平台客户类别的识别,同时采用了支持向量机模型中的一些核函数对客户进行学习分类,对它们的分类结果进行比较。另一方面,运用神经网络对销售额进行预测。首先以历史销售额数据为基础,采用人工神经网络对销售额进行预测,然后以支持向量机客户分类结果为依据,对相应客户类型的历史销售额采用人工神经网络对销售额进行预测。创建BP神经网络模型,通过对网络进行初始化、训练和模拟,获得预测结果,以该模型预测值作为输入构建灰色神经网络模型对销售额进行预测,最后对预测结果进行分析和比较。本文实现了以支持向量机理论为基础的客户价值分类,利用客户数据和销售数据的相关性,建立了灰色神经网络预测模型完成对销售数据的预测。研究表明,支持向量机的理论以及灰色神经网络在电子商务活动中发挥了积极的作用,为企业的客户管理和营销管理提供了参考数据,且在研究小样本的学习时具有一定的优势。
王媛[10](2011)在《基于数据仓库与数据挖掘技术的计算机审计模型及其应用研究》文中认为在信息技术飞速发展的背景下,我国各行业的信息化水平也在迅速提升,数据海量化的趋势势如破竹,因此审计行业面临前所未有的挑战和机遇。尽管计算机审计已经开始逐步应用于传统的审计过程中,可是面对日益增多的审计数据仍不能避免审计的失败。一是鉴于被审计单位行业跨度大,审计人员拥有的经验和知识无法处理超越知识范围的审计问题,这样就很难将审计程序建立在对行业知识的充分理解上:二是不同行业数据量的不断增长,审计经验往往落后于数据量的增长,这种经验与数据的非同步性,往往隐藏着巨大的风险,增大了审计行业审计失败的可能性;三是数据库系统中原有的分析方法无法处理日益增长的数据,审计分析工具的落后,势必会影响审计行业的发展;四是越来越多的企业注意到人为地修改一些财务比率可以保持财务报表的平衡,可以降低舞弊被发现的可能性,这些操作使审计的作用越来越弱。如何有效的分析被审计单位的海量数据是审计人员面临的一个重大问题,这就需要审计人员充分利用多种技术以便改进审计方法。数据管理市场上新兴的数据仓库及数据挖掘技术为审计人员改进审计方法指明了方向,这两种技术已经服务于金融、保险等多个行业,为不同的信息需求者提供了宝贵的决策支持。但这两种技术在审计行业还只是处于探索阶段,大多数只关注数据仓库或数据挖掘技术其中某一单独技术与审计的结合,因此,充分利用数据仓库和数据挖掘技术的优势,使之更好的辅助计算机审计也就显得尤为重要。本文在研究方法上,以规范研究为主辅以案例支撑。通过介绍数据仓库与数据挖掘技术的理论,详细了解了数据仓库与数据挖掘技术的功能,并利用这两种技术改进传统的计算机审计模型结构的不足,提出了将数据仓库与数据挖掘技术应用到计算机审计模型中的设计思路,构建了一个基于数据仓库与数据挖掘技术的计算机审计模型,然后利用真实的数据对该模型的应用进行了验证。其结构如下:第一部分为绪论部分,该部分主要介绍了该论文的研究背景、国内外研究现状以及研究内容及结构。第二部分,介绍了构建新模型所需要的数据仓库与数据挖掘技术。首先阐述了数据仓库的概念和功能,介绍了数据仓库相对于数据库的优势,从而引出应用数据仓库对提高计算机审计的效率有很大的功效;其次,介绍了数据挖掘技术的概念功能,分析了将数据仓库与数据挖掘技术结合将会给计算机审计带来的优势。第三部分,介绍了新型的计算机审计模型,其中采用数据仓库与数据挖掘技术相结合的方式改进传统的计算机审计模型的不足,并介绍了基于数据仓库与数据挖掘技术的计算机审计模型各功能模块的实现。第四部分,介绍了一个具体案例,通过该案例详细描述了基于数据仓库与数据挖掘技术的计算机审计模型的应用。第五部分是结论部分,对本文的主要内容和观点加以总结,并针对研究中存在的不足提出了计算机审计发展的建议。
二、数据挖掘技术及其应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、数据挖掘技术及其应用(论文提纲范文)
(1)基于深度学习的股票数据挖掘方法及其应用(论文提纲范文)
摘要 |
ABSTRACT |
第1章 引言 |
1.1 研究背景及意义 |
1.2 研究现状与存在问题 |
1.3 本文的研究内容 |
1.4 本文的组织结构 |
第2章 股票数据挖掘及相关技术 |
2.1 股票数据类型及挖掘方法 |
2.1.1 股票行情数据 |
2.1.2 股吧评论数据 |
2.1.3 数据挖掘方法 |
2.2 股票舆情分析方法 |
2.2.1 基于词典的股票评论情感分析方法 |
2.2.2 基于机器学习的股票评论情感分析方法 |
2.2.3 基于深度学习的股票评论情感分析方法 |
2.3 常见的股票交易策略 |
2.3.1 传统的股票交易策略模型 |
2.3.2 基于机器学习的股票交易策略 |
2.4 深度学习相关技术 |
2.4.1 FinBERT |
2.4.2 卷积神经网络 |
2.4.3 深度Q网络 |
2.5 本文的研究框架 |
2.6 本章小结 |
第3章 基于FinBERT-CNN的股吧评论情感分析 |
3.1 问题描述 |
3.2 数据获取与预处理 |
3.3 基于FinBERT-CNN的股吧评论情感分析方法 |
3.3.1 基于FinBERT预训练模型的特征学习 |
3.3.2 基于卷积神经网络的特征学习和情感分类 |
3.4 方法验证及分析 |
3.4.1 数据集及评价指标 |
3.4.2 模型参数设置 |
3.4.3 实验结果与分析 |
3.4.4 模型复杂度分析 |
3.5 本章小结 |
第4章 基于深度Q网络的股票交易策略模型 |
4.1 问题描述 |
4.2 股票状态空间整合 |
4.2.1 股票行情数据预处理 |
4.2.2 股吧评论情绪量化 |
4.3 基于动态阈值的股票买卖点判断方法 |
4.4 基于深度Q网络的股票交易策略模型 |
4.4.1 模型定义 |
4.4.2 基于深度Q网络的股票交易策略学习过程 |
4.5 方法验证及分析 |
4.5.1 数据集及评价指标 |
4.5.2 实验参数设置 |
4.5.3 实验结果与分析 |
4.5.4 模型复杂度分析 |
4.6 本章小结 |
第5章 “上证50”股票数据挖掘系统原型 |
5.1 股票数据挖掘系统设计 |
5.1.1 系统需求分析 |
5.1.2 系统功能设计 |
5.1.3 系统总体架构设计 |
5.2 股票数据挖掘系统实现 |
5.2.1 系统实现环境 |
5.2.2 系统实现关键技术 |
5.2.3 基于RPA的数据采集实现 |
5.2.4 系统实现流程 |
5.3 股票数据挖掘系统展示 |
5.3.1 系统界面与展示 |
5.3.2 系统使用说明 |
5.3.3 系统功能与性能测试 |
5.4 本章小结 |
第6章 结束语 |
6.1 本文总结 |
6.2 下一步研究方向 |
参考文献 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
致谢 |
(2)5G网络技术对提升4G网络性能的研究(论文提纲范文)
引言 |
1 4G网络现处理办法 |
2 4G网络可应用的5G关键技术 |
2.1 Msssive MIMO技术 |
2.2 极简载波技术 |
2.3 超密集组网 |
2.4 MEC技术 |
3 总结 |
(3)制造企业信息系统中产品碳足迹数据挖掘及其应用(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 论文研究背景 |
1.2 碳足迹数据挖掘国内外研究现状 |
1.2.1 碳足迹数据挖掘分析 |
1.2.2 碳足迹数据挖掘功能与分析方法 |
1.2.3 碳足迹数据挖掘研究现状 |
1.2.4 碳足迹数据挖掘研究总结 |
1.3 论文的研究目的和意义 |
1.4 本文主要研究内容与体系结构 |
1.4.1 .论文的主要研究内容 |
1.4.2 .论文结构 |
1.5 本章小结 |
第2章 制造企业信息系统中产品碳足迹数据处理 |
2.1 制造企业信息系统分析 |
2.2 碳足迹核算边界的确定以及碳足迹数据获取 |
2.2.1 碳足迹核算边界的确定 |
2.2.2 碳足迹核算标准 |
2.2.3 碳足迹核算方法 |
2.3 碳足迹数据处理 |
2.3.1 碳足迹数据预处理 |
2.3.2 碳足迹数据变换 |
2.3.3 碳足迹数据归约 |
2.4 本章小结 |
第3章 产品碳足迹数据挖掘模型 |
3.1 碳足迹数据仓库 |
3.1.1 碳足迹数据仓库的建立 |
3.1.2 碳足迹数据仓库与OLAP的关系 |
3.2 碳足迹数据挖掘的任务 |
3.3 产品碳足迹数据挖掘方法的选择 |
3.3.1 关联分析 |
3.3.2 时序分析 |
3.3.3 聚类分析 |
3.4 产品碳足迹数据挖掘模型 |
3.5 本章小结 |
第4章 面向轴加工过程的碳足迹数据挖掘的应用 |
4.1 轴加工过程分析 |
4.1.1 制造企业信息系统中获取基础信息 |
4.1.2 制造企业信息系统中获取碳足迹数据处理 |
4.2 面向轴加工过程的关联分析方法研究 |
4.2.1 关联分析的 Apriori 算法 |
4.2.2 传动轴加工过程的碳足迹的关联规则分析 |
4.3 关联规则算法的改进和关联规则的更新算法 |
4.3.1 关联规则的改进算法 |
4.3.2 关联规则的更新算法 |
4.4 本章小结 |
第5章 产品碳足迹数据挖掘系统 |
5.1 产品碳足迹数据挖掘系统框架 |
5.2 数据仓库开发与运行环境 |
5.3 产品碳足迹数据挖掘系统详细设计 |
5.3.1 Web系统数据库设计 |
5.3.2 产品碳足迹数据挖掘系统模块设计 |
5.4 本章小结 |
第6章 结论与展望 |
6.1 论文总结 |
6.2 工作展望 |
参考文献 |
附录 |
攻读学位期间的研究成果 |
致谢 |
(4)可拓室内设计数据挖掘研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及研究的目的与意义 |
1.1.1 研究背景 |
1.1.2 研究的目的与意义 |
1.2 国内外研究现状 |
1.2.1 建筑及室内设计人工智能的相关研究 |
1.2.2 可拓学与可拓建筑学的相关研究 |
1.2.3 数据挖掘与可拓数据挖掘的相关研究 |
1.2.4 研究综述 |
1.3 研究的内容与方法 |
1.3.1 研究的内容 |
1.3.2 研究的方法 |
1.4 论文研究框架 |
第2章 可拓室内设计数据挖掘的基本理论 |
2.1 可拓室内设计的理论基础 |
2.1.1 可拓室内设计的概念与模型表达 |
2.1.2 可拓室内设计的思维模式 |
2.1.3 可拓室内设计的分析方法 |
2.2 可拓数据挖掘的理论基础 |
2.2.1 可拓集理论 |
2.2.2 可拓室内设计数据挖掘的内涵 |
2.3 可拓室内设计数据挖掘的特点 |
2.3.1 面向可拓室内设计的可拓数据挖掘的特点 |
2.3.2 基于可拓数据挖掘的可拓室内设计的优势 |
2.4 可拓室内设计数据挖掘的任务与目标知识类型 |
2.4.1 描述性任务 |
2.4.2 预测性任务 |
2.4.3 目标知识类型 |
2.5 本章小结 |
第3章 可拓室内设计数据仓库的设计 |
3.1 建构可拓室内设计数据仓库的基础 |
3.1.1 可拓室内设计数据仓库与现有数据库的区别 |
3.1.2 数据库和数据仓库的平台选择 |
3.1.3 数据仓库的数据基础 |
3.1.4 数据仓库与联机分析处理技术 |
3.2 可拓室内设计数据仓库设计的原则 |
3.2.1 面向主题原则 |
3.2.2 双轮驱动原则 |
3.2.3 原型设计原则 |
3.3 可拓室内设计数据仓库的构成 |
3.3.1 基础数据仓库 |
3.3.2 可拓数据仓库 |
3.3.3 知识仓库 |
3.4 可拓室内设计数据仓库的拓点结构 |
3.4.1 量值拓点的关系体系 |
3.4.2 特征拓点的关系体系 |
3.5 本章小结 |
第4章 可拓室内设计数据挖掘方法 |
4.1 可拓室内设计分类挖掘方法 |
4.1.1 可拓室内设计分类挖掘方法阐释 |
4.1.2 确立分类挖掘设计问题 |
4.1.3 基于设计问题类别数据域的建立 |
4.1.4 基于可拓分析的可拓集建立与可拓挖掘 |
4.1.5 实例解析 |
4.2 可拓室内设计聚类挖掘方法 |
4.2.1 可拓室内设计聚类挖掘方法阐释 |
4.2.2 确立聚类挖掘设计问题 |
4.2.3 基于设计问题聚类特征树的建立 |
4.2.4 基于聚类分析的叶节点聚类与可拓挖掘 |
4.2.5 实例解析 |
4.3 可拓室内设计关联挖掘方法 |
4.3.1 可拓室内设计关联挖掘方法阐释 |
4.3.2 确立关联挖掘设计问题 |
4.3.3 基于设计问题数据项集的建立 |
4.3.4 基于关联分析的频繁项集发现与可拓挖掘 |
4.3.5 实例解析 |
4.4 可拓室内设计离群点挖掘方法 |
4.4.1 发散式挖掘 |
4.4.2 传导式挖掘 |
4.4.3 共轭式挖掘 |
4.4.4 转换桥式挖掘 |
4.5 本章小结 |
第5章 可拓室内设计数据挖掘的知识成果及其应用 |
5.1 可拓室内设计数据挖掘的形态要素型知识及其应用 |
5.1.1 挖掘的形态要素型知识 |
5.1.2 挖掘的形态要素型知识直接应用 |
5.1.3 挖掘的形态要素型知识可拓应用 |
5.2 可拓室内设计数据挖掘的主题风格型知识及其应用 |
5.2.1 挖掘的主题风格型知识 |
5.2.2 挖掘的主题风格型知识直接应用 |
5.2.3 挖掘的主题风格型知识可拓应用 |
5.3 可拓室内设计数据挖掘的文化特征型知识及其应用 |
5.3.1 挖掘的文化特征型知识 |
5.3.2 挖掘的文化特征型知识直接应用 |
5.3.3 挖掘的文化特征型知识可拓应用 |
5.4 可拓室内设计数据挖掘的行为与情境体验型知识及其应用 |
5.4.1 挖掘的行为体验型知识 |
5.4.2 挖掘的情境体验型知识 |
5.4.3 挖掘的行为与情境体验型知识直接应用 |
5.4.4 挖掘的行为与情境体验型知识可拓应用 |
5.5 本章小结 |
结论 |
参考文献 |
攻读学位期间发表的学术论文及其它成果 |
致谢 |
个人简历 |
(5)基于支持向量机的手机选型偏好预测模型及其应用研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 相关研究现状 |
1.2.1 精确营销中的数据挖掘 |
1.2.2 精确营销中客户分类 |
1.2.3 支持向量机 |
1.3 研究目的、内容和方法 |
1.3.1 研究目的 |
1.3.2 研究内容 |
1.3.3 研究方法 |
1.4 可行性分析 |
1.5 论文创新点 |
2 相关理论基础 |
2.1 数据分类 |
2.1.1 数据分类的基本步骤 |
2.1.2 分类器的性能评价 |
2.2 机器学习 |
2.2.1 机器学习的基本模型 |
2.2.2 机器学习的主要策略 |
2.3 支持向量机 |
2.3.1 线性可分问题 |
2.3.2 线性不可分问题 |
2.3.3 支持向量机与偏好预测模型 |
2.4 精确营销 |
2.4.1 精确营销的起源 |
2.4.2 精确营销的基本特点 |
2.4.3 精确营销的主要内容及战略优势 |
3 数据收集与整理 |
3.1 数据收集 |
3.2 数据准备 |
3.3 数据的描述性分析 |
4 基于支持向量机的手机选型偏好预测模型 |
4.1 开发工具与平台 |
4.1.1 LIBSVM |
4.1.2 Python与MATLAB |
4.2 基于支持向量机的手机选型偏好预测模型 |
4.2.1 模型构建 |
4.2.2 数据预处理 |
4.2.3 模型验证 |
4.2.4 模型结果分析 |
4.3 模型优化 |
4.3.1 模型重构 |
4.3.2 模型验证 |
4.4 手机选型偏好预测模型效果分析 |
5 手机选型偏好预测模型在精确营销中的应用探索 |
5.1 精确营销框架模型 |
5.1.1 数据挖掘 |
5.1.2 精确营销 |
5.1.3 基于数据挖掘的精确营销框架模型 |
5.2 基于支持向量机的手机选型偏好预测模型的精确营销框架 |
5.2.1 手机偏好预测模型在精确营销中的应用框架 |
5.2.2 手机偏好预测模型在精确营销中的应用步骤 |
6 总结与展望 |
6.1 研究结论 |
6.2 研究局限 |
6.3 研究展望 |
参考文献 |
致谢 |
(6)基于数据挖掘技术的涉毒嫌犯手机信息提取及分析系统(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景 |
1.2 Android手机信息提取 |
1.3 数据挖掘技术 |
1.4 国内外研究现状 |
1.4.1 国内研究现状 |
1.4.2 国外研究现状 |
1.5 论文的研究内容 |
1.6 论文的组织结构 |
2 需求分析及架构设计 |
2.1 涉毒手机信息分析系统现状分析 |
2.2 需求分析 |
2.2.1 采集终端系统 |
2.2.2 数据传输 |
2.2.3 挖掘分析平台 |
2.3 系统总体设计 |
2.3.1 Android智能手机信息采集 |
2.3.2 数据传输 |
2.3.3 数据分析及数据挖掘 |
2.4 系统设计原则 |
2.5 本章小结 |
3 详细设计 |
3.1 智能手机数据获取 |
3.1.1 Android的提权漏洞与临时ROOT |
3.1.2 通信管理模块数据获取 |
3.1.3 OTG数据交互 |
3.2 数据传输 |
3.2.1 Android手机采集数据传输与导入 |
3.2.2 外部数据的导入 |
3.3 数据分析与挖掘 |
3.3.1 查询统计模块 |
3.3.2 预警初筛模块 |
3.3.3 涉毒数据分析与挖掘 |
3.3.4 多维度数据展现 |
3.4 本章小结 |
4 系统实现 |
4.1 基于Android平板的手机信息采集终端 |
4.1.1 通过SU来获取临时ROOT权限 |
4.1.2 获取手机的联系人信息 |
4.2 数据传输过程的实现 |
4.2.1 数据传输发送端 |
4.2.2 数据传输接收端 |
4.3 数据分析与挖掘的实现 |
4.3.1 预警初筛模块的实现 |
4.3.2 共同联系人模块的实现 |
4.3.3 多维度数据展现 |
4.4 数据分析与挖掘算法 |
4.4.1 涉毒人员的聚集分类 |
4.4.2 关联分析与回归预测 |
4.5 本章小结 |
5 系统测试和结果分析 |
5.1 测试方案 |
5.2 测试环境的搭建 |
5.2.1 硬件环境 |
5.2.2 软件环境 |
5.3 测试用例 |
5.3.1 测试用例设计 |
5.3.2 测试数据生成 |
5.4 测试结果分析 |
5.4.1 功能测试结果分析 |
5.4.2 性能测试结果分析 |
5.5 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(7)数据挖掘中的统计方法及其应用研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究意义和目的 |
1.1.1 研究意义 |
1.1.2 研究目的 |
1.2 数据挖掘在国内和国外的当今研究现状 |
1.2.1 数据挖掘理论研究现状 |
1.2.2 数据挖掘方法研究现状 |
1.3 统计挖掘方法研究的现状 |
1.3.1 数据挖掘方法与统计挖掘关系的研究 |
1.3.2 统计方法挖掘知识研究现状及趋势 |
1.3.3 数据挖掘方法和统计学习的比较分析 |
1.4 研究方法和研究内容 |
1.4.1 研究方法 |
1.4.2 研究内容 |
1.5 研究成果和创新点 |
1.5.1 主要研究成果 |
1.5.2 特色与创新点 |
1.6 结构安排 |
第2章 数据挖掘方法及其应用分析 |
2.1 主要数据挖掘方法 |
2.1.1 关联分析方法 |
2.1.2 分类方法 |
2.1.3 聚类分析方法 |
2.1.4 预测方法 |
2.2 数据挖掘方法的应用研究 |
2.2.1 数据挖掘在商品零售业的应用研究 |
2.2.2 数据挖掘在保险业、金融业、通信业的应用研究 |
2.2.3 生物制药、基因方面的应用研究 |
2.2.4 数据挖掘方法的应用分析 |
2.3 数据挖掘软件的发展与应用 |
2.3.1 数据挖掘软件的发展 |
2.3.2 数据挖掘软件选用分析 |
本章小结 |
第3章 数据挖掘过程和任务中的统计学理论分析 |
3.1 数据挖掘过程中的统计方法分析 |
3.1.1 陈述问题和阐明假设中的统计方法 |
3.1.2 数据收集中的统计方法 |
3.1.3 数据预处理中的统计方法 |
3.1.4 模型评估中的统计方法 |
3.1.5 解释模型和得出结论中的统计方法 |
3.2 数据挖掘任务中的统计方法分析 |
3.2.1 数据准备中的统计方法 |
3.2.2 数据归约中的统计方法 |
3.2.3 数据学习中的统计方法 |
3.3 统计方法的应用分析 |
3.3.1 统计方法分析 |
3.3.2 贝叶斯分类方法分析 |
本章小结 |
第4章 数据挖掘方法中的学习机理分析 |
4.1 学习理论 |
4.1.1 机器学习 |
4.1.2 统计学习 |
4.2 机器学习方法的机理分析 |
4.2.1 关联性学习的机理分析 |
4.2.2 聚类学习的机理分析 |
4.2.3 决策树分类学习的机理分析 |
4.2.4 神经网络分类学习的机理分析 |
4.3 统计学习方法的机理分析 |
4.3.1 支持向量分类机的机理分析 |
4.3.2 支持向量机局限性分析 |
本章小结 |
第5章 覆盖分类学习方法及其改进 |
5.1 覆盖分类学习方法 |
5.1.1 覆盖学习算法的思想 |
5.1.2 覆盖学习算法步骤 |
5.1.3 覆盖算法分析 |
5.2 基于概率的覆盖算法 |
5.2.1 基于概率的覆盖算法的基本思想 |
5.2.2 基于概率的覆盖算法步骤 |
5.2.3 基于概率的覆盖算法分析 |
5.3 基于贝叶斯理论的覆盖算法 |
5.3.1 基于贝叶斯理论的覆盖算法的基本思想 |
5.3.2 基于贝叶斯理论的覆盖算法步骤 |
5.3.3 基于贝叶斯理论覆盖算法的分析 |
5.3.4 算例分析 |
本章小结 |
第6章 结论与进一步的工作 |
6.1 结论和认识 |
6.2 进一步的工作 |
附录 |
攻读硕士学位期间发表的论文及科研成果 |
参考文献 |
致谢 |
(8)基于聚类分析的可视化技术及其应用研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 数据挖掘及其现状 |
1.2.2 可视化技术 |
1.2.3 可视化数据挖掘研究现状 |
1.3 研究内容 |
1.4 论文结构安排 |
第二章 数据挖掘与可视化技术 |
2.1 可视化技术概述 |
2.2 数据挖掘概述 |
2.2.1 数据挖掘的基本概念 |
2.2.2 数据挖掘的过程 |
2.2.3 聚类分析概述 |
2.3 可视化数据挖掘技术 |
2.3.1 数据可视化 |
2.3.2 数据挖掘过程可视化 |
2.3.3 数据挖掘结果可视化 |
2.4 本章小结 |
第三章 基于MASI距离的层次聚类的可视化技术研究 |
3.1 概述 |
3.2 聚类中的距离度量 |
3.2.1 数据类型 |
3.2.2 距离度量 |
3.3 凝聚层次聚类 |
3.4 职位聚类分析及其可视化 |
3.4.1 职位数据预处理 |
3.4.2 基于凝聚层次的职位聚类 |
3.4.3 融合随机抽样的职位聚类 |
3.4.4 聚类结果可视化 |
3.4.5 应用结果及分析 |
3.5 本章小结 |
第四章 基于SOM聚类的可视化技术研究 |
4.1 概述 |
4.2 基于SOM的聚类算法 |
4.2.1 SOM概述 |
4.2.2 聚簇分布可视化 |
4.2.3 基于兴趣度的元数据属性排名方法 |
4.2.4 算法流程 |
4.3 应用及结果分析 |
4.3.1 研究数据集 |
4.3.2 聚类交互可视化设计 |
4.3.3 结果分析 |
4.4 本章小结 |
第五章 基于K-Means算法的平行坐标可视化技术研究 |
5.1 概述 |
5.2 平行坐标技术概述 |
5.2.1 平行坐标的定义 |
5.2.2 平行坐标的原理 |
5.2.3 基于平行坐标的可视化方法 |
5.3 K-Means算法及其可视化 |
5.3.1 K-Means算法描述及分析 |
5.3.2 算法分解及可视化 |
5.4 实验及结果分析 |
5.4.1 实验数据集 |
5.4.2 直观数据可视化结果分析 |
5.4.3 聚类过程可视化结果分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读硕士学位期间主要的研究成果 |
致谢 |
(9)基于电子商务背景的智能挖掘技术及应用研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题背景及意义 |
1.2 国内外研究现状 |
1.3 研究内容 |
1.4 论文结构 |
第2章 数据挖掘技术 |
2.1 数据挖掘概述 |
2.1.1 数据挖掘功能与体系结构 |
2.1.2 数据挖掘的过程 |
2.1.3 数据挖掘分类与预测技术 |
2.2 面向电子商务的数据挖掘 |
2.2.1 电子商务平台概述 |
2.2.2 数据挖掘的优势 |
2.2.3 数据挖掘的数据源及流程 |
2.3 小结 |
第3章 基于支持向量机的客户价值分类 |
3.1 客户价值分类概述 |
3.2 支持向量机概述 |
3.3 客户价值分类的过程分析 |
3.4 客户分类准确率优化 |
3.4.1 交叉验证方法(c和g参数的选取) |
3.4.2 粒子群优化算法 |
3.5 实验过程及结果分析 |
3.5.1 实验过程分析 |
3.5.2 实验结果分析 |
3.6 小结 |
第4章 基于客户分类的灰色神经网络销售预测 |
4.1 客户分类算法概述 |
4.2 神经网络概述 |
4.2.1 BP神经网络概述 |
4.2.2 灰色理论概述 |
4.3 SVM客户分类 |
4.4 神经网络商品销售预测 |
4.4.1 BP神经网络的商品销售预测 |
4.4.2 灰色神经网络商品销售额预测 |
4.5 实验过程及结果分析 |
4.5.1 实验过程分析 |
4.5.2 实验结果分析 |
4.6 小结 |
结论 |
参考文献 |
致谢 |
(10)基于数据仓库与数据挖掘技术的计算机审计模型及其应用研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 选题背景与意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究综述 |
1.3 研究内容与结构 |
2 数据仓库与数据挖掘技术理论介绍 |
2.1 数据仓库技术简介 |
2.2 数据仓库技术的功能 |
2.3 数据挖掘技术的简介 |
2.3.1 数据挖掘技术的概念 |
2.3.2 数据挖掘过程 |
2.4 数据挖掘技术的功能 |
3 基于数据仓库与数据挖掘技术的计算机审计模型的构建 |
3.1 现有的计算机审计模型分析 |
3.1.1 现有的计算机审计模型结构 |
3.1.2 现有的计算机审计模型存在的问题 |
3.2 采用数据仓库与数据挖掘技术的计算机审计模型 |
3.2.1 对现有的审计模型的改进思路 |
3.2.2 新型计算机审计模型的功能模块 |
3.2.3 新型计算机审计模型总体结构设计 |
3.3 新型计算机审计模型的实现 |
3.3.1 信息收集系统的实现 |
3.3.2 审计数据仓库的实现 |
3.3.3 数据挖掘的实现 |
4 新型计算机审计模型的应用案例 |
4.1 案例背景 |
4.2 新型计算机审计模型的应用过程 |
4.2.1 审前调查,获取数据 |
4.2.2 A省商业银行的审计数据仓库构建 |
4.2.3 分析数据,选择审计重点 |
4.3 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
后记 |
四、数据挖掘技术及其应用(论文参考文献)
- [1]基于深度学习的股票数据挖掘方法及其应用[D]. 刘薇. 中国科学院大学(中国科学院深圳先进技术研究院), 2021(09)
- [2]5G网络技术对提升4G网络性能的研究[J]. 刘奕. 数码世界, 2020(04)
- [3]制造企业信息系统中产品碳足迹数据挖掘及其应用[D]. 沈思勋. 浙江理工大学, 2019(06)
- [4]可拓室内设计数据挖掘研究[D]. 马辉. 哈尔滨工业大学, 2018(01)
- [5]基于支持向量机的手机选型偏好预测模型及其应用研究[D]. 容益芳. 武汉大学, 2017(06)
- [6]基于数据挖掘技术的涉毒嫌犯手机信息提取及分析系统[D]. 张毅. 上海交通大学, 2016(03)
- [7]数据挖掘中的统计方法及其应用研究[D]. 崔广风. 西南石油大学, 2014(02)
- [8]基于聚类分析的可视化技术及其应用研究[D]. 蔡朱华. 厦门大学, 2014(08)
- [9]基于电子商务背景的智能挖掘技术及应用研究[D]. 王萍. 湖南大学, 2014(01)
- [10]基于数据仓库与数据挖掘技术的计算机审计模型及其应用研究[D]. 王媛. 东北财经大学, 2011(06)