| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 1 绪论 | 第11-29页 |
| ·研究背景及意义 | 第11-14页 |
| ·研究背景 | 第11-13页 |
| ·研究课题 | 第13-14页 |
| ·研究意义 | 第14页 |
| ·国内外研究现状及问题分析 | 第14-25页 |
| ·数据挖掘的相关概念 | 第14-18页 |
| ·成本与成本管理的相关概念 | 第18-20页 |
| ·数据挖掘与成本管理相结合的研究现状 | 第20-23页 |
| ·问题分析 | 第23-25页 |
| ·论文研究目的与方法 | 第25-27页 |
| ·研究目的 | 第25页 |
| ·研究方法 | 第25-27页 |
| ·论文组织结构与研究内容 | 第27-29页 |
| 2 基于数据挖掘的成本管理构成要素模型研究 | 第29-60页 |
| ·引言 | 第29页 |
| ·模型的含义 | 第29-30页 |
| ·数据挖掘对象与成本数据来源 | 第30-47页 |
| ·数据挖掘对象 | 第30-31页 |
| ·成本数据来源 | 第31页 |
| ·作业成本法及作业成本核算模型 | 第31-35页 |
| ·钢铁企业生产作业流程及其生产成本构成 | 第35-37页 |
| ·钢铁企业作业成本核算模型 | 第37-47页 |
| ·数据的预处理 | 第47-54页 |
| ·数据集成和数据清洁 | 第47-52页 |
| ·数据选择与抽取 | 第52-53页 |
| ·数据转换 | 第53-54页 |
| ·数据挖掘的过程 | 第54-57页 |
| ·数据挖掘方法的应用 | 第54-56页 |
| ·模式解释与评价 | 第56-57页 |
| ·成本知识的转化 | 第57-58页 |
| ·本章小结 | 第58-60页 |
| 3 基于改进关联规则的ABC作业选择与合并方法 | 第60-76页 |
| ·引言 | 第60页 |
| ·关联规则与最大频繁项集 | 第60-62页 |
| ·关联规则的含义 | 第60-61页 |
| ·最大频繁项集的含义 | 第61-62页 |
| ·基于图论的关联规则最大频繁项集挖掘 | 第62-66页 |
| ·有向项集图 | 第62页 |
| ·三叉链表式存储结构 | 第62-63页 |
| ·有向项集图构建算法 | 第63-65页 |
| ·改进的最大频繁项集挖掘算法 | 第65-66页 |
| ·性能分析 | 第66-72页 |
| ·数据集选择 | 第66-68页 |
| ·时间性能评价 | 第68-69页 |
| ·内存性能评价 | 第69-72页 |
| ·应用实例 | 第72-75页 |
| ·数据预处理 | 第72-73页 |
| ·数据挖掘与成本知识转化 | 第73-75页 |
| ·本章小结 | 第75-76页 |
| 4 基于优化模糊模型的成本预测方法 | 第76-91页 |
| ·引言 | 第76页 |
| ·模糊模型理论 | 第76-78页 |
| ·模糊模型的含义 | 第76-77页 |
| ·模糊模型的系统结构 | 第77-78页 |
| ·基于优化FCM模糊产生器的模糊模型 | 第78-81页 |
| ·模糊聚类FCM算法 | 第78-79页 |
| ·优化FCM模糊产生器的构建 | 第79-80页 |
| ·TSK模糊推理系统 | 第80-81页 |
| ·优化的模糊模型建模算法 | 第81页 |
| ·应用实例 | 第81-89页 |
| ·数据预处理 | 第81-84页 |
| ·数据挖掘与成本知识转化 | 第84-89页 |
| ·本章小结 | 第89-91页 |
| 5 基于改进粗糙集约简的成本决策因素识别方法 | 第91-105页 |
| ·引言 | 第91页 |
| ·粗糙集理论 | 第91-92页 |
| ·改进的基于区分矩阵的最小属性约简方法 | 第92-96页 |
| ·改进的基于区分矩阵的最小属性约简定义和性质 | 第93-94页 |
| ·改进的基于区分矩阵的最小属性约简算法实现 | 第94-95页 |
| ·实验分析 | 第95-96页 |
| ·基于值核的值约简算法 | 第96-97页 |
| ·基于值核的值约简定义 | 第96页 |
| ·基于值核的值约简算法实现 | 第96-97页 |
| ·应用实例 | 第97-103页 |
| ·数据预处理 | 第97-100页 |
| ·数据挖掘与成本知识转化 | 第100-103页 |
| ·本章小结 | 第103-105页 |
| 6 基于优化动态模糊聚类和孤立点检测的成本等级分析与例外成本控制方法 | 第105-121页 |
| ·引言 | 第105页 |
| ·模糊聚类与孤立点检测 | 第105-106页 |
| ·基于优化FCM的动态模糊聚类 | 第106-109页 |
| ·基于优化FCM的动态模糊聚类含义 | 第106-107页 |
| ·最大重构误差的含义和FCM参数确定标准 | 第107-108页 |
| ·动态模糊聚类的分割机制 | 第108-109页 |
| ·动态模糊聚类的合并机制 | 第109页 |
| ·基于加权欧式距离和的孤立点检测 | 第109-111页 |
| ·基于距离和的孤立点检测含义 | 第109-110页 |
| ·距离函数的确定 | 第110-111页 |
| ·应用实例 | 第111-120页 |
| ·数据预处理 | 第111-114页 |
| ·数据挖掘与成本知识转化 | 第114-120页 |
| ·本章小结 | 第120-121页 |
| 7 结论与展望 | 第121-124页 |
| ·结论 | 第121-123页 |
| ·展望 | 第123-124页 |
| 创新点摘要 | 第124-125页 |
| 参考文献 | 第125-135页 |
| 附录A 缩略语 | 第135-137页 |
| 攻读博士学位期间发表学术论文情况 | 第137-139页 |
| 致谢 | 第139-140页 |
| 作者简介 | 第140-141页 |