面向三类应用数据的智能分析与优化研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第14-24页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.2 大数据发展现状 | 第16-20页 |
| 1.2.1 电力大数据 | 第16-17页 |
| 1.2.2 电商大数据 | 第17-19页 |
| 1.2.3 移动感知大数据 | 第19-20页 |
| 1.3 大数据分析面临的挑战 | 第20-21页 |
| 1.4 本文的主要研究内容及贡献 | 第21-23页 |
| 1.5 本文的组织结构安排 | 第23-24页 |
| 第2章 大数据及相关研究综述 | 第24-36页 |
| 2.1 大数据概念 | 第24-26页 |
| 2.1.1 大数据的定义 | 第24-25页 |
| 2.1.2 大数据的来源 | 第25页 |
| 2.1.3 大数据的特点 | 第25-26页 |
| 2.2 大数据分析处理方法 | 第26-34页 |
| 2.2.1 机器学习算法 | 第29-31页 |
| 2.2.2 协同过滤算法 | 第31-33页 |
| 2.2.3 集群智能算法 | 第33-34页 |
| 2.3 小结 | 第34-36页 |
| 第3章 面向电力数据的发电优化调度算法 | 第36-52页 |
| 3.1 引言 | 第36-37页 |
| 3.2 相关算法介绍 | 第37-41页 |
| 3.2.1 回归分析 | 第37-39页 |
| 3.2.2 调度算法 | 第39-41页 |
| 3.3 发电调度框架及问题描述 | 第41-44页 |
| 3.3.1 实时发电调度框架 | 第41-43页 |
| 3.3.2 发电优化调度问题描述 | 第43-44页 |
| 3.4 发电功率与排放数据回归模型 | 第44-45页 |
| 3.5 实时发电优化调度算法 | 第45-49页 |
| 3.5.1 蚁群算法 | 第45-47页 |
| 3.5.2 基于蚁群算法的发电优化调度算法 | 第47-49页 |
| 3.6 实验及结果分析 | 第49-51页 |
| 3.6.1 框架有效性分析 | 第49页 |
| 3.6.2 回归模型分析 | 第49-50页 |
| 3.6.3 实时发电优化调度算法分析 | 第50-51页 |
| 3.7 小结 | 第51-52页 |
| 第4章 面向电商数据的用户特征预测模型 | 第52-66页 |
| 4.1 引言 | 第52-53页 |
| 4.2 相关工作 | 第53页 |
| 4.3 问题描述 | 第53-55页 |
| 4.4 方案设计 | 第55-59页 |
| 4.4.1 整体框架设计 | 第55页 |
| 4.4.2 数据准备 | 第55-56页 |
| 4.4.3 特征提取 | 第56-59页 |
| 4.4.4 分类模型 | 第59页 |
| 4.5 实验及结果分析 | 第59-64页 |
| 4.5.1 幼儿年龄预测结果 | 第60-63页 |
| 4.5.2 覆盖率与准确率分析 | 第63-64页 |
| 4.6 小结 | 第64-66页 |
| 第5章 面向空间磁感数据的字符识别方法 | 第66-80页 |
| 5.1 引言 | 第66-67页 |
| 5.2 相关工作 | 第67-68页 |
| 5.3 问题描述 | 第68-69页 |
| 5.4 方案设计 | 第69-75页 |
| 5.4.1 系统概述 | 第69页 |
| 5.4.2 数据预处理 | 第69-72页 |
| 5.4.3 特征提取 | 第72-74页 |
| 5.4.4 识别模型 | 第74-75页 |
| 5.5 实验与结果分析 | 第75-78页 |
| 5.5.1 特征与准确率 | 第75-76页 |
| 5.5.2 识别模型与准确率 | 第76-77页 |
| 5.5.3 迭代次数与准确率 | 第77页 |
| 5.5.4 改进方案 | 第77-78页 |
| 5.6 小结 | 第78-80页 |
| 第6章 总结与展望 | 第80-82页 |
| 6.1 本文主要研究工作及总结 | 第80-81页 |
| 6.2 未来展望 | 第81-82页 |
| 参考文献 | 第82-88页 |
| 致谢 | 第88-90页 |
| 在读期间发表的学术论文及参与项目 | 第90页 |
