| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 本文研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文研究简述及解决方案 | 第12页 |
| 1.4 论文组织架构 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 数据挖掘技术及股票分析概述 | 第14-19页 |
| 2.1 问题提出分析 | 第14页 |
| 2.2 数据挖掘概述 | 第14-16页 |
| 2.3 股票分析概述 | 第16-18页 |
| 2.4 解决方案概述 | 第18页 |
| 2.5 本章小结 | 第18-19页 |
| 第三章 应用关联规则的股票关键指标挖掘 | 第19-29页 |
| 3.1 关联规则的基本知识 | 第19-20页 |
| 3.1.1 关联规则的基本概念 | 第19-20页 |
| 3.1.2 股票的关联规则分析 | 第20页 |
| 3.2 基于 APRIORI 算法的股票关键指标挖掘 | 第20-26页 |
| 3.2.1 Apriori 算法的具体描述 | 第20-22页 |
| 3.2.2 股票数据准备 | 第22-25页 |
| 3.2.3 股票的关联规则分析 | 第25-26页 |
| 3.3 实验分析及评价 | 第26-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 基于关键指标的聚类分析 | 第29-40页 |
| 4.1 聚类方法介绍 | 第29-32页 |
| 4.1.1 聚类分析的概念 | 第29-30页 |
| 4.1.2 相似性度量 | 第30-32页 |
| 4.2 聚类分析算法 | 第32-35页 |
| 4.2.1 K 均值聚类算法 | 第32-33页 |
| 4.2.2 层次聚类算法 | 第33-34页 |
| 4.2.3 基于密度的聚类算法 | 第34-35页 |
| 4.3 基于关键指标的聚类分析 | 第35-37页 |
| 4.3.1 数据预处理 | 第35-36页 |
| 4.3.2 基于 K-Means 的股票聚类分析 | 第36-37页 |
| 4.4 实验结果和分析 | 第37-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第五章 应用神经网络的股票预测 | 第40-52页 |
| 5.1 神经网络概述 | 第40-42页 |
| 5.1.1 神经网络特征 | 第40页 |
| 5.1.2 人工神经元模型 | 第40-42页 |
| 5.2 BP 神经网络 | 第42-45页 |
| 5.2.1 BP 神经网络的原理和结构 | 第42-43页 |
| 5.2.2 BP 算法详述 | 第43-44页 |
| 5.2.3 BP 算法分析及改进 | 第44-45页 |
| 5.3 RBF 神经网络 | 第45-48页 |
| 5.3.1 RBF 神经网络的原理和结构 | 第45-46页 |
| 5.3.2 RBF 神经网络中的传递函数 | 第46-47页 |
| 5.3.3 RBF 算法详述 | 第47-48页 |
| 5.4 BP 神经网络及 RBF 神经网络的结合 | 第48-51页 |
| 5.4.1 RBF-BP 组合神经网络原理和结构 | 第48-49页 |
| 5.4.2 RBF-BP 组合神经网络算法详述 | 第49-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第六章 神经网络实现及分析 | 第52-67页 |
| 6.1 样本及数据的预处理 | 第52页 |
| 6.2 系统实现 | 第52-54页 |
| 6.3 实验结果及分析 | 第54-66页 |
| 6.3.1 BP 神经网络实验结果 | 第54-61页 |
| 6.3.2 RBF 神经网络实验结果 | 第61-64页 |
| 6.3.3 RBF-BP 神经网络实验结果及综合对比 | 第64-66页 |
| 6.4 本章小结 | 第66-67页 |
| 第七章 总结与展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72-73页 |
| 附件 | 第73页 |