改进K-means算法对大兴安岭蓝莓干销售预测的应用
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 选题研究的背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的主要内容和组织架构 | 第12-16页 |
| 1.3.1 本文解决的问题 | 第12-13页 |
| 1.3.2 本文的主要工作 | 第13-14页 |
| 1.3.3 章节安排 | 第14-16页 |
| 2 基于数据挖掘的数据处理方法 | 第16-24页 |
| 2.1 数据挖掘概念 | 第16-17页 |
| 2.2 数据挖掘在重要领域的应用 | 第17-18页 |
| 2.3 数据挖掘的主要步骤 | 第18-20页 |
| 2.4 数据挖掘的主要分析方法 | 第20-21页 |
| 2.5 数据挖掘技术重要改进发展 | 第21-22页 |
| 2.6 本章小结 | 第22-24页 |
| 3 基于K-means算法的改进算法 | 第24-34页 |
| 3.1 传统K-means算法简介 | 第24-26页 |
| 3.1.1 传统K-means算法内容和流程 | 第24-26页 |
| 3.1.2 传统K-means算法的局限性 | 第26页 |
| 3.2 DBSCAN算法简介 | 第26-29页 |
| 3.2.1 DBSCAN算法流程 | 第26-29页 |
| 3.2.2 DBSCAN算法的局限性 | 第29页 |
| 3.3 改进算法 | 第29-32页 |
| 3.3.1 改进算法核心思想 | 第29-30页 |
| 3.3.2 改进算法的内容及流程 | 第30-32页 |
| 3.4 本章小结 | 第32-34页 |
| 4 基于改进算法的数据处理过程 | 第34-40页 |
| 4.1 数据收集 | 第34页 |
| 4.2 基于改进算法的数据处理 | 第34-36页 |
| 4.2.1 实验平台和主要步骤 | 第34-35页 |
| 4.2.2 去噪过程 | 第35页 |
| 4.2.3 数据梳理过程 | 第35-36页 |
| 4.3 算法改进前后数据处理结果对比 | 第36-39页 |
| 4.4 本章小结 | 第39-40页 |
| 5 预测销售量及价格 | 第40-53页 |
| 5.1 预测模型 | 第40-42页 |
| 5.1.1 常见预测模型 | 第40-42页 |
| 5.1.2 预测模型的选取 | 第42页 |
| 5.2 基于ARIMA预测模型的应用 | 第42-48页 |
| 5.2.1 基于ARIMA预测模型预测的一般步骤 | 第42-45页 |
| 5.2.2 改进算法的预测结果 | 第45-47页 |
| 5.2.3 未改进算法的预测结果 | 第47-48页 |
| 5.3 预测结果与实际情况对比 | 第48-49页 |
| 5.4 价格预测 | 第49-51页 |
| 5.5 预测结果分析 | 第51-52页 |
| 5.5.1 销售量预测分析 | 第51-52页 |
| 5.5.2 价格预测分析 | 第52页 |
| 5.6 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读学位期间发表的学术论文 | 第58-59页 |
| 致谢 | 第59-60页 |
