| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1. 选题背景及研究意义 | 第11-12页 |
| 1.1.1. 选题背景 | 第11-12页 |
| 1.1.2. 研究意义 | 第12页 |
| 1.2. 国内外研究现状 | 第12-15页 |
| 1.2.1. 国外研究现状 | 第12-13页 |
| 1.2.2. 国内研究现状 | 第13-15页 |
| 1.3. 研究内容与技术路线 | 第15-19页 |
| 1.3.1. 研究内容 | 第15-16页 |
| 1.3.2. 研究方法 | 第16-17页 |
| 1.3.3. 研究创新点 | 第17页 |
| 1.3.4. 研究技术路线 | 第17-19页 |
| 第二章 大数据产业发展相关理论与方法 | 第19-27页 |
| 2.1. 产业发展能力理论基础 | 第19-21页 |
| 2.1.1. 产业发展 | 第19-20页 |
| 2.1.2. 产业发展能力 | 第20-21页 |
| 2.2. 大数据产业相关概述 | 第21-24页 |
| 2.2.1. 大数据产业基本概念 | 第21页 |
| 2.2.2. 大数据商业模式 | 第21-23页 |
| 2.2.3. 大数据关键技术 | 第23-24页 |
| 2.3. 主流综合评价方法及原理 | 第24-27页 |
| 2.3.1. 综合评价方法的构成 | 第24-25页 |
| 2.3.2. 主流综合评价方法概述 | 第25-27页 |
| 第三章 西部欠发达地区大数据产业发展能力评价体系构建 | 第27-36页 |
| 3.1. 西部欠发达地区大数据产业发展概况及影响因素 | 第27-30页 |
| 3.1.1. 西部欠发达地区大数据产业发展概况 | 第27-28页 |
| 3.1.2. 西部欠发达地区大数据产业发展影响因素 | 第28-30页 |
| 3.2. 构建评价指标体系应遵循的原则 | 第30页 |
| 3.3. 评价指标体系的构建 | 第30-36页 |
| 3.3.1. 指标体系初定 | 第30-32页 |
| 3.3.2. 指标体系筛选 | 第32-34页 |
| 3.3.3. 指标体系建立 | 第34-36页 |
| 第四章 西部欠发达地区大数据产业发展能力评价模型 | 第36-44页 |
| 4.1. BP网络评价方法的原理和步骤 | 第36-40页 |
| 4.1.1. BP神经网络算法的原理 | 第36-37页 |
| 4.1.2. BP神经网络算法的步骤 | 第37-39页 |
| 4.1.3. BP神经网络算法的优势 | 第39页 |
| 4.1.4. BP神经网络算法的可行性 | 第39-40页 |
| 4.2. 熵权法原理与赋权模型 | 第40-41页 |
| 4.2.1. 熵权法原理 | 第40页 |
| 4.2.2. 熵权法赋权模型 | 第40-41页 |
| 4.3. 熵权-BP神经网络评价模型建立 | 第41-44页 |
| 4.3.1. BP神经网络结构设计 | 第41-42页 |
| 4.3.2. 熵权-BP神经网络模型算法流程 | 第42-43页 |
| 4.3.3. 西部欠发达地区大数据产业发展能力评价模型的构建 | 第43-44页 |
| 第五章 贵州省大数据产业发展能力评价研究 | 第44-59页 |
| 5.1. 贵州省大数据产业发展现状 | 第44-45页 |
| 5.1.1. 网络基础设施及云平台建设成效显著 | 第44页 |
| 5.1.2. 大数据产业发展初具规模 | 第44-45页 |
| 5.1.3. 大数据智能应用不断推进 | 第45页 |
| 5.1.4. 数据资源及大数据学科建设持续涌入 | 第45页 |
| 5.2. 大数据产业发展能力评价实例 | 第45-56页 |
| 5.2.1. 数据采集及处理 | 第45-48页 |
| 5.2.2. 熵权法的应用 | 第48-49页 |
| 5.2.3. BP神经网络模型仿真及评价 | 第49-55页 |
| 5.2.4. 评价结果分析 | 第55-56页 |
| 5.3. 贵州省大数据发展经验分析及措施借鉴 | 第56-59页 |
| 5.3.1. 贵州省大数据发展经验分析 | 第56-57页 |
| 5.3.2. 贵州省大数据发展相关措施借鉴 | 第57-59页 |
| 第六章 总结 | 第59-61页 |
| 6.1. 主要结论 | 第59-60页 |
| 6.2. 不足与展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 附录 A（攻读学位期间取得的研究成果） | 第65-66页 |
| 附录 B | 第66-68页 |
