| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 研究现状 | 第9-12页 |
| 1.2.1 精准帮扶研究现状 | 第9-10页 |
| 1.2.2 数据挖掘研究现状 | 第10-12页 |
| 1.3 论文主要内容与组织结构 | 第12-14页 |
| 1.3.1 主要研究内容 | 第12页 |
| 1.3.2 本文的组织结构 | 第12-14页 |
| 第2章 数据挖掘 | 第14-21页 |
| 2.1 数据挖掘的定义 | 第14页 |
| 2.2 数据挖掘的过程 | 第14-15页 |
| 2.2.1 数据准备 | 第14-15页 |
| 2.2.2 数据挖掘 | 第15页 |
| 2.2.3 结果解释和评价 | 第15页 |
| 2.3 数据挖掘算法 | 第15-20页 |
| 2.3.1 聚类算法 | 第15-17页 |
| 2.3.2 分类算法 | 第17-18页 |
| 2.3.3 关联性分析算法 | 第18页 |
| 2.3.4 遗传算法 | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 精准帮扶数据前期处理 | 第21-26页 |
| 3.1 精准帮扶数据指标体系 | 第21-22页 |
| 3.2 数据分类技术 | 第22页 |
| 3.3 数据标准化方案 | 第22-24页 |
| 3.4 数据指标清洗方案 | 第24-25页 |
| 3.5 本章小结 | 第25-26页 |
| 第4章 DBSCAN算法及其改进策略 | 第26-42页 |
| 4.1 DBSCAN算法 | 第26-28页 |
| 4.1.1 算法原理 | 第26-27页 |
| 4.1.2 DBSCAN在高维数据集中的局限 | 第27页 |
| 4.1.3 DBSCAN在大规模数据集中的局限 | 第27-28页 |
| 4.2 基于局部敏感哈希的DBSCAN算法改进策略 | 第28-31页 |
| 4.2.1 局部敏感哈希算法 | 第29-31页 |
| 4.2.2 基于K近邻的二进制数据表示 | 第31页 |
| 4.3 基于二进制影响空间和种子点的DBSCAN算法改进策略 | 第31-34页 |
| 4.3.1 基于二进制数据集的影响空间 | 第31-33页 |
| 4.3.2 种子点选取策略 | 第33-34页 |
| 4.4 算法步骤 | 第34-35页 |
| 4.5 实验评估与分析 | 第35-41页 |
| 4.5.1 查询时间对比 | 第36-37页 |
| 4.5.2 聚类质量对比 | 第37-38页 |
| 4.5.3 实际数据集中算法性能验证 | 第38-41页 |
| 4.6 本章小结 | 第41-42页 |
| 第5章 改进DBSCAN算法在贫困特征智能识别中的应用 | 第42-49页 |
| 5.1 扶贫数据前期处理 | 第42-43页 |
| 5.2 聚类挖掘与分析 | 第43-46页 |
| 5.3 区域结果分析与展示 | 第46-49页 |
| 第6章 总结与展望 | 第49-52页 |
| 6.1 全文总结 | 第49-50页 |
| 6.2 未来展望 | 第50-52页 |
| 参考文献 | 第52-57页 |
| 致谢 | 第57-58页 |
| 附录 | 第58-59页 |
| 图版 | 第59-60页 |
