首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机软件论文--程序设计、软件工程论文--程序设计论文

基于聚类和压缩矩阵的加权关联规则算法的研究与应用

摘要第1-7页
Abstract第7-11页
第一章 绪论第11-15页
   ·研究背景第11页
   ·选题的依据和意义第11-12页
   ·论文的主要工作第12-13页
   ·本文的组织结构第13-15页
第二章 数据挖掘技术第15-21页
   ·数据挖掘的产生第15页
   ·数据挖掘的概念第15-16页
   ·数据挖掘的任务第16-17页
   ·数据挖掘的对象第17页
   ·数据挖掘的步骤第17-18页
   ·数据挖掘的方法第18-20页
   ·数据挖掘未来研究方向第20页
   ·本章小结第20-21页
第三章 聚类和关联规则挖掘第21-34页
   ·聚类分析第21-25页
     ·聚类分析概述第21-22页
     ·聚类分析中的数据类型第22页
     ·主要的聚类分析方法第22-24页
     ·K-Means算法第24-25页
   ·关联规则挖掘第25-33页
     ·关联规则的基本概念第26页
     ·关联规则的分类第26-27页
     ·关联规则的研究方向第27-29页
     ·关联规则挖掘的算法第29-33页
   ·本章小结第33-34页
第四章 加权关联规则挖掘算法第34-49页
   ·现有加权关联规则模型及算法研究第34-38页
     ·加权关联规则模型第34-36页
     ·加权关联规则挖掘算法——MINWAL(O)算法第36-38页
   ·改进的加权关联规则挖掘算法第38-47页
     ·新的加权支持度函数第39-41页
     ·基于聚类和压缩矩阵的加权关联规则算法——CCMW算法第41-43页
     ·CCMW算法实例第43-47页
   ·CCMW算法与MINWAL(O)算法性能比较第47-48页
   ·本章小结第48-49页
第五章 CCMW算法在超市管理系统的应用第49-59页
   ·系统开发说明第49-50页
   ·数据挖掘系统模型第50-51页
   ·系统实现与结果分析第51-58页
     ·数据导入第52-53页
     ·数据预处理第53-55页
     ·关联规则挖掘第55-57页
     ·查询与分析第57-58页
   ·该系统的实际应用效果第58页
   ·本章小结第58-59页
第六章 结论与展望第59-61页
   ·论文总结第59页
   ·展望第59-61页
附录攻读硕士学位期间公开发表的论文第61-62页
参考文献第62-66页
致谢第66页

论文共66页,点击 下载论文
上一篇:基于复杂背景下的车牌识别系统
下一篇:基于衰减窗口与剪枝链表树的高维数据流聚类算法研究