| 中文摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景 | 第9页 |
| 1.2 课题研究意义 | 第9-10页 |
| 1.3 本文的研究内容与创新点 | 第10-11页 |
| 1.4 本文的组织结构 | 第11-13页 |
| 第二章 GSD的优化与相关知识 | 第13-25页 |
| 2.1 GSD的应用现状及优化 | 第13-15页 |
| 2.1.1 GSD的概念 | 第13页 |
| 2.1.2 GSD的发展与用途 | 第13-14页 |
| 2.1.3 GSD的不足之处 | 第14-15页 |
| 2.1.4 GSD的改进方案 | 第15页 |
| 2.2 数据仓库与数据挖掘 | 第15-21页 |
| 2.2.1 数据仓库的概念 | 第15-16页 |
| 2.2.2 数据仓库的特点 | 第16页 |
| 2.2.3 多维数据集 | 第16-17页 |
| 2.2.4 数据挖掘的概念 | 第17-18页 |
| 2.2.5 数据挖掘的过程 | 第18-19页 |
| 2.2.6 数据挖掘的用途 | 第19-21页 |
| 2.3 数据挖掘的技术与工具 | 第21-24页 |
| 2.3.1 数据挖掘的常用技术 | 第21-22页 |
| 2.3.2 数据挖掘的主要工具 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于神经网络的生产工时影响因素分析 | 第25-48页 |
| 3.1 数据来源 | 第25-29页 |
| 3.1.1 企业ERP系统简介 | 第25-27页 |
| 3.1.2 GSD标准工时数据库 | 第27页 |
| 3.1.3 数据类型及结构 | 第27-29页 |
| 3.2 建立多维数据集 | 第29-31页 |
| 3.3 数据预处理 | 第31-36页 |
| 3.3.1 数据抽取 | 第32-34页 |
| 3.3.2 数据清洗 | 第34-35页 |
| 3.3.3 数据转换 | 第35-36页 |
| 3.4 建立基于神经网络的预测模型 | 第36-46页 |
| 3.4.1 神经网络概述 | 第36-37页 |
| 3.4.2 MLP模型及BP算法介绍 | 第37-40页 |
| 3.4.3 基于MLP模型的神经网络挖掘过程 | 第40-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 基于关联规则的标准工时修正过程 | 第48-67页 |
| 4.1 GSD标准工时制定不合理的界定 | 第48-49页 |
| 4.2 建立基于关联规则的分析模型 | 第49-60页 |
| 4.2.1 关联规则概述 | 第49-52页 |
| 4.2.2 Apriori算法介绍 | 第52-55页 |
| 4.2.3 基于Apriori算法的关联规则挖掘过程 | 第55-60页 |
| 4.3 GSD标准工时修正方法 | 第60-62页 |
| 4.4 GSD修正的应用示例 | 第62-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67页 |
| 5.2 展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士期间的取得的科研成果 | 第73-74页 |
| 致谢 | 第74-75页 |