| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 图索引 | 第7-8页 |
| 表索引 | 第8-9页 |
| 一 绪论 | 第9-25页 |
| 1．1 论文背景与动机 | 第9-12页 |
| 1．2 研究现状 | 第12-23页 |
| 1．2．1 ERP系统的发展现状 | 第12-15页 |
| 1．2．1．1 ERP的发展历史 | 第12-14页 |
| 1．2．1．2 国外ERP产品的发展现状 | 第14页 |
| 1．2．1．3 国内ERP的发展现状 | 第14-15页 |
| 1．2．2 数据挖掘技术的发展现状 | 第15-19页 |
| 1．2．2．1 国外现状 | 第15-18页 |
| 1．2．2．2 国内现状 | 第18-19页 |
| 1．2．3 数据挖掘技术在ERP系统中应用的现状 | 第19-23页 |
| 1．2．3．1 国外现状 | 第20-22页 |
| 1．2．3．2 国内现状 | 第22-23页 |
| 1．3 论文研究目标 | 第23-24页 |
| 1．4 论文组织 | 第24-25页 |
| 二 数据挖掘算法介绍 | 第25-41页 |
| 2．1 本章摘要 | 第25页 |
| 2．2 数据挖掘的定义 | 第25-27页 |
| 2．3 RBF神经网络的结构 | 第27-28页 |
| 2．4 RBF神经网络基函数中心的选取算法 | 第28-34页 |
| 2．4．1 随机算法选取RBF中心 | 第28-29页 |
| 2．4．2 自组织学习算法选取RBF基函数中心 | 第29-32页 |
| 2．4．2．1 HCM算法 | 第29-30页 |
| 2．4．2．2 Konhonen自组织映射算法 | 第30-32页 |
| 2．4．3 最近邻聚类学习算法 | 第32-34页 |
| 2．5 改进的最近邻聚类学习算法 | 第34-41页 |
| 2．5．1 K-pintotype算法介绍 | 第35-40页 |
| 2．5．2 最近邻聚类学习算法的改进算法 | 第40-41页 |
| 三 用于供应链合作伙伴选择的ERP数据挖掘系统的设计 | 第41-59页 |
| 3．1 本章摘要 | 第41页 |
| 3．2 ERP数据挖掘系统的功能设计 | 第41-44页 |
| 3．3 ERP数据挖掘系统各模块设计 | 第44-59页 |
| 3．3．1 数据仓库的设计 | 第44-47页 |
| 3．3．2 ERP系统与数据仓库集成方式的设计 | 第47-51页 |
| 3．3．3 数据仓库与数据挖掘系统的集成设计——多维面模型的设计 | 第51-53页 |
| 3．3．4 数据挖掘模块的架构设计 | 第53-59页 |
| 四 用于供应链合作伙伴选择的ERP数据挖掘系统的实现及实验结果分析 | 第59-66页 |
| 4．1 本章摘要 | 第59页 |
| 4．2 环境与架构 | 第59-60页 |
| 4．3 ERP数据挖掘系统的总体流程 | 第60-62页 |
| 4．4 数据挖掘引擎的实现和实验结果分析 | 第62-66页 |
| 五 结论 | 第66-68页 |
| 5．1 总结 | 第66-67页 |
| 5．2 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的学术论文目录 | 第72-73页 |
| 致谢 | 第73页 |
