聚类分析和离群点识别技术研究及其应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景 | 第10-12页 |
| 1.2 课题研究的目的和意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.3.1 计算机审计研究现状 | 第13-14页 |
| 1.3.2 数据挖掘研究现状 | 第14-16页 |
| 1.5 本文的主要内容和组织结构 | 第16-17页 |
| 第2章 聚类分析和离群点识别 | 第17-33页 |
| 2.1 数据挖掘 | 第17-18页 |
| 2.2 KDD及其步骤 | 第18-19页 |
| 2.3 数据挖掘的方法和技术 | 第19-22页 |
| 2.3.1 数据挖掘的方法 | 第19-20页 |
| 2.3.2 数据挖掘的技术 | 第20-22页 |
| 2.4 聚类方法 | 第22-29页 |
| 2.4.1 划分方法 | 第22-24页 |
| 2.4.2 层次方法 | 第24-25页 |
| 2.4.3 基于网格的方法 | 第25-26页 |
| 2.4.4 基于模型的方法 | 第26-28页 |
| 2.4.5 基于密度的聚类 | 第28-29页 |
| 2.5 离群点识别方法 | 第29-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 一种基于密度的增量式局部离群点识别算法 | 第33-47页 |
| 3.1 基于密度的局部离群点识别算法 | 第33-35页 |
| 3.1.1 局部离群点识别的必要性 | 第33-34页 |
| 3.1.2 局部离群点的识别 | 第34-35页 |
| 3.2 基于密度的典型聚类算法 | 第35-36页 |
| 3.2.1 DBSCAN算法思想 | 第35页 |
| 3.2.2 DBSCAN算法相关概念 | 第35-36页 |
| 3.2.3 DBSCAN算法过程和缺点 | 第36页 |
| 3.3 基于密度的增量式局部离群点识别算法 | 第36-44页 |
| 3.3.1 算法思想 | 第36-37页 |
| 3.3.2 初始化数据集聚类阶段 | 第37-39页 |
| 3.3.3 增量聚类阶段 | 第39-42页 |
| 3.3.4 增量数据离群点分析 | 第42-44页 |
| 3.4 性能分析 | 第44-45页 |
| 3.4.1 算法的正确性 | 第44页 |
| 3.4.2 算法的可行性 | 第44页 |
| 3.4.3 时间复杂度 | 第44-45页 |
| 3.5 实验结果 | 第45-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 增量离群点识别技术在社保审计中的应用 | 第47-62页 |
| 4.1 实现目的 | 第47-48页 |
| 4.2 算法的VC++ .NET实现 | 第48-57页 |
| 4.2.1 VC++ .NET简介 | 第49页 |
| 4.2.2 增量式离群点识别系统设计 | 第49-51页 |
| 4.2.3 数据选择 | 第51-53页 |
| 4.2.4 数据清理 | 第53-54页 |
| 4.2.5 实现初始数据集聚类与离群点识别 | 第54-57页 |
| 4.2.6 实现增量聚类与离群点识别 | 第57页 |
| 4.3 社保审计数据挖掘实验与结果分析 | 第57-61页 |
| 4.3.1 K值的选择 | 第58页 |
| 4.3.2 增量离群点识别 | 第58-60页 |
| 4.3.3 实验结果与N-SAS系统审计结果比较 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第68-69页 |
| 致谢 | 第69页 |
