基于关联规则和RBF神经网络的预测模型及教育应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究现状及问题剖析 | 第12页 |
| 1.3 论文研究内容和组织结构 | 第12-14页 |
| 1.3.1 论文研究内容 | 第12-13页 |
| 1.3.2 论文组织结构 | 第13-14页 |
| 1.4 论文主要创新点 | 第14-16页 |
| 2 国内外研究文献综述及评述 | 第16-21页 |
| 2.1 教育预测文献的总体分析 | 第16-18页 |
| 2.2 教育预测模型和方法 | 第18-19页 |
| 2.3 RBF网络优化算法综述 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 理论基础 | 第21-28页 |
| 3.1 教育数据挖掘 | 第21-22页 |
| 3.2 关联规则分析 | 第22-23页 |
| 3.3 预测理论与方法 | 第23-24页 |
| 3.4 神经网络预测法 | 第24-26页 |
| 3.5 教育预测模型基本框架 | 第26-28页 |
| 4 数据预处理方法 | 第28-34页 |
| 4.1 引言 | 第28页 |
| 4.2 模型的适用领域 | 第28-30页 |
| 4.2.1 对象分析和适用范围 | 第28-29页 |
| 4.2.2 领域特征 | 第29-30页 |
| 4.3 数据预处理 | 第30-34页 |
| 4.3.1 事务型数据采集原理 | 第30-31页 |
| 4.3.2 事务型数据采集方法 | 第31-32页 |
| 4.3.3 插值法扩充数据量 | 第32-34页 |
| 5 混合预测模型与算法 | 第34-45页 |
| 5.1 引言 | 第34页 |
| 5.2 混合预测模型结构总体概述 | 第34-37页 |
| 5.2.1 学习预测模型设计的一般模式 | 第34-36页 |
| 5.2.2 关联预测模型的设计模式 | 第36-37页 |
| 5.3 关联项目挖掘模型 | 第37-40页 |
| 5.3.2 关联规则挖掘的步骤 | 第37-38页 |
| 5.3.3 关联规则实例及参数意义 | 第38-40页 |
| 5.4 预测算法设计 | 第40-44页 |
| 5.4.1 RBF神经网络算法 | 第40-42页 |
| 5.4.2 RBF神经元数据中心选取优化算法 | 第42-44页 |
| 5.5 本章小结 | 第44-45页 |
| 6 混合预测模型应用研究 | 第45-64页 |
| 6.1 引言 | 第45页 |
| 6.2 学习成绩预测 | 第45-55页 |
| 6.2.1 数据预处理 | 第45-50页 |
| 6.2.2 关联规则挖掘 | 第50-52页 |
| 6.2.3 预测实验 | 第52-53页 |
| 6.2.4 实验结果分析 | 第53-55页 |
| 6.3 就业类型预测 | 第55-59页 |
| 6.3.1 数据预处理 | 第55-57页 |
| 6.3.2 关联规则挖掘 | 第57-58页 |
| 6.3.3 预测实验及结果分析 | 第58-59页 |
| 6.4 模型效果分析 | 第59-62页 |
| 6.5 本章小结 | 第62-64页 |
| 7 总结和展望 | 第64-67页 |
| 7.1 论文总结 | 第64-65页 |
| 7.2 研究局限与展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 攻读学位期间参与项目及科研成果 | 第72-73页 |
| 致谢 | 第73页 |
