| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第9-11页 |
| 1.1 课题提出的背景 | 第9页 |
| 1.2 课题的意义 | 第9-10页 |
| 1.3 本文的组织结构 | 第10-11页 |
| 第2章 数据挖掘 | 第11-16页 |
| 2.1 数据挖掘产生的背景 | 第11-12页 |
| 2.2 数据挖掘的定义 | 第12页 |
| 2.3 数据挖掘的任务和对象 | 第12-13页 |
| 2.4 数据挖掘的常用方法 | 第13-16页 |
| 第3章 基于三层C／S的环境空气数据挖掘系统设计 | 第16-24页 |
| 3.1 两层应用模型 | 第16-17页 |
| 3.2 三层应用模型 | 第17-18页 |
| 3.3 DCOM实现三层C／S结构的应用 | 第18-20页 |
| 3.4 基于三层C／S的济南市环境空气数据挖掘系统设计 | 第20-24页 |
| 3.4.1 环境空气主要数据源 | 第20-22页 |
| 3.4.2 环境空气数据挖掘系统架构设计 | 第22-24页 |
| 第4章 环境空气数据仓库的建立 | 第24-32页 |
| 4.1 数据仓库设计 | 第24-27页 |
| 4.1.1 数据预处理 | 第25-27页 |
| 4.2 监测数据的在线分析 | 第27-32页 |
| 4.2.1 监测数据OLAP的实现技术 | 第27-28页 |
| 4.2.2 监测数据OLAP多维分析 | 第28-32页 |
| 第5章 环境空气质量预测模型的实现 | 第32-57页 |
| 5.1 基于粗糙集的属性约简 | 第33-37页 |
| 5.1.1 粗糙集理论简介 | 第33-34页 |
| 5.1.2 利用粗糙集理论对属性进行约简 | 第34-37页 |
| 5.2 B-P神经网络预测模型 | 第37-46页 |
| 5.2.1 B-P神经网络基本原理 | 第37-38页 |
| 5.2.2 B-P算法学习过程 | 第38-41页 |
| 5.2.3 B-P神经网络测模型在环境空气质量预测中的应用 | 第41-42页 |
| 5.2.4 训练B-P神经网络 | 第42-43页 |
| 5.2.5 进行预测计算 | 第43页 |
| 5.2.6 预测结果分析 | 第43-46页 |
| 5.3 支持向量机模型 | 第46-54页 |
| 5.3.1 向量机理论简介 | 第46-47页 |
| 5.3.2 向量机的基本概念 | 第47-49页 |
| 5.3.3 向量机采用的主要算法 | 第49-50页 |
| 5.3.4 向量机模型在环境空气质量预测中的应用 | 第50-51页 |
| 5.3.5 SVM的学习训练 | 第51-54页 |
| 5.3.6 预报结果分析 | 第54页 |
| 5.4 两种模型的比较 | 第54-57页 |
| 第6章 济南市环境空气数据挖掘原型系统模型实现 | 第57-60页 |
| 6.1 原型系统实验环境 | 第57页 |
| 6.2 两种模型预测主要步骤 | 第57-60页 |
| 第7章 结论与展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65-66页 |
| 学位论文评阅及答辩情况表 | 第66页 |