基于神经网络的技术合同风险分析技术研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究目的及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 风险分析的研究现状 | 第12-13页 |
| 1.2.2 合同风险分析的研究现状 | 第13-15页 |
| 1.2.3 技术合同风险分析的研究现状 | 第15页 |
| 1.3 论文主要研究内容 | 第15-16页 |
| 1.4 论文组织结构 | 第16-19页 |
| 第2章 相关工作与理论基础 | 第19-27页 |
| 2.1 技术合同相关理论 | 第19-20页 |
| 2.2 风险分析相关理论 | 第20-22页 |
| 2.2.1 风险评估的常用方法 | 第20-22页 |
| 2.2.2 风险评价的常用方法 | 第22页 |
| 2.3 人工神经网络 | 第22-25页 |
| 2.3.1 人工神经网络的概念 | 第22-23页 |
| 2.3.2 神经网络工作原理 | 第23-25页 |
| 2.3.3 神经网络分类 | 第25页 |
| 2.4 本章小结 | 第25-27页 |
| 第3章 风险因子动态识别算法 | 第27-53页 |
| 3.1 传统的风险识别方法 | 第27-32页 |
| 3.2 风险因子动态识别算法基本介绍 | 第32-34页 |
| 3.3 基本风险因子库的建立 | 第34-37页 |
| 3.3.1 技术合同风险因子理论 | 第34-36页 |
| 3.3.2 技术合同基本风险因子库的建立 | 第36-37页 |
| 3.4 基于自然语言处理的合同文本分析 | 第37-46页 |
| 3.4.1 技术合同模板文本分析 | 第38页 |
| 3.4.2 中国人名识别 | 第38-42页 |
| 3.4.3 机构名识别 | 第42-44页 |
| 3.4.4 关键词提取 | 第44-46页 |
| 3.5 基于网络爬虫的合同风险分析 | 第46-49页 |
| 3.5.1 网络爬虫相关知识 | 第46-48页 |
| 3.5.2 基于网络爬虫的合同风险分析 | 第48-49页 |
| 3.6 风险因子库的二次整合 | 第49-50页 |
| 3.7 本章小结 | 第50-53页 |
| 第4章 基于神经网络的技术合同风险分析模型的构建 | 第53-61页 |
| 4.1 神经网络模型 | 第53-56页 |
| 4.1.1 Elman神经网络结构 | 第53-54页 |
| 4.1.2 Elman神经网络的学习算法 | 第54-56页 |
| 4.2 神经网络模型输入数据的预处理 | 第56-58页 |
| 4.2.1 双因素风险因子量化方法必要性分析 | 第56页 |
| 4.2.2 双因素风险因子量化方法基本原理 | 第56-58页 |
| 4.3 神经网络模型的构造 | 第58-59页 |
| 4.3.1 Elman神经网络模型构造 | 第58-59页 |
| 4.3.2 风险预警 | 第59页 |
| 4.4 本章小结 | 第59-61页 |
| 第5章 实验结果验证及其应用 | 第61-69页 |
| 5.1 技术路线及工作流程 | 第61-62页 |
| 5.2 实验环境与方案 | 第62页 |
| 5.3 实验结果及分析 | 第62-68页 |
| 5.3.1 风险因子识别 | 第63-66页 |
| 5.3.2 神经网络模型输入数据预处理 | 第66页 |
| 5.3.3 神经网络模型的训练与测试 | 第66-68页 |
| 5.4 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第75-77页 |
| 致谢 | 第77-78页 |
