| 摘要 | 第9-11页 |
| Abstract | 第11-13页 |
| 致谢 | 第14-19页 |
| 第一章 绪论 | 第19-31页 |
| 1.1 研究背景和意义 | 第19-21页 |
| 1.1.1 研究背景 | 第19-20页 |
| 1.1.2 研究意义 | 第20-21页 |
| 1.2 国内外研究现状 | 第21-26页 |
| 1.2.1 管理预测方法研究现状 | 第21-24页 |
| 1.2.2 管理评价方法研究现状 | 第24-25页 |
| 1.2.3 数据降维方法研究现状 | 第25-26页 |
| 1.3 研究思路与研究方法 | 第26-27页 |
| 1.3.1 研究思路 | 第26-27页 |
| 1.3.2 研究方法 | 第27页 |
| 1.4 论文结构 | 第27-31页 |
| 第二章 相关基础理论与方法 | 第31-55页 |
| 2.1 基本降维理论与方法 | 第31-49页 |
| 2.1.1 主成分分析方法 | 第31-34页 |
| 2.1.2 Multidimensional Scaling方法 | 第34-37页 |
| 2.1.3 ISOMAP方法 | 第37-43页 |
| 2.1.4 Locally Linear Embedding方法 | 第43-46页 |
| 2.1.5 Laplacian Eigenmaps方法 | 第46-49页 |
| 2.2 相关预测评价理论与方法 | 第49-55页 |
| 2.2.1 人工神经网络方法 | 第49-51页 |
| 2.2.2 Boosting算法的相关理论 | 第51-55页 |
| 第三章 企业数据的降维方法研究 | 第55-65页 |
| 3.1 引言 | 第55页 |
| 3.2 基于差异最大化的降维方法研究 | 第55-58页 |
| 3.2.1 问题描述 | 第55页 |
| 3.2.2 模型构建 | 第55-58页 |
| 3.2.3 仿真实验与分析 | 第58页 |
| 3.3 基于修正的线性降维方法研究 | 第58-63页 |
| 3.3.1 问题描述 | 第58-59页 |
| 3.3.2 模型构建 | 第59-63页 |
| 3.3.3 仿真实验与分析 | 第63页 |
| 3.4 本章小结 | 第63-65页 |
| 第四章 基于企业数据的预测方法研究 | 第65-89页 |
| 4.1 引言 | 第65页 |
| 4.2 基于深度学习的客户忠诚度预测方法研究 | 第65-71页 |
| 4.2.1 数据来源与数据预处理 | 第65-66页 |
| 4.2.2 深度学习相关原理与算法 | 第66-70页 |
| 4.2.3 实验与结果分析 | 第70-71页 |
| 4.3 基于CART和自适应Boosting算法的客户流失预测方法研究 | 第71-80页 |
| 4.3.1 模型方法介绍 | 第72-74页 |
| 4.3.2 数据处理及属性选择 | 第74-77页 |
| 4.3.3 实验与结果分析 | 第77-80页 |
| 4.4 基于威布尔分布的维修更换率预测方法研究 | 第80-87页 |
| 4.4.1 维修更换问题的分析与讨论 | 第81-84页 |
| 4.4.2 数据分布的确定 | 第84-86页 |
| 4.4.3 分布函数的参数估计 | 第86-87页 |
| 4.5 本章小结 | 第87-89页 |
| 第五章 基于企业数据的评价方法研究 | 第89-103页 |
| 5.1 引言 | 第89页 |
| 5.2 熵的基本概念 | 第89-90页 |
| 5.3 基于状态熵的理论假设与数学推导 | 第90-93页 |
| 5.4 基于状态熵的MRO企业供应商评价方法研究 | 第93-101页 |
| 5.4.1 指标体系的建立 | 第94-96页 |
| 5.4.2 指标权重的确定 | 第96-100页 |
| 5.4.3 实验与结果分析 | 第100-101页 |
| 5.5 本章小结 | 第101-103页 |
| 第六章 总结与展望 | 第103-105页 |
| 6.1 总结 | 第103-104页 |
| 6.2 展望 | 第104-105页 |
| 参考文献 | 第105-117页 |
| 攻读博士学位期间的学术活动及成果情况 | 第117页 |
