| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 研究现状 | 第12-14页 |
| 1.3.1 主数据管理现状 | 第12-13页 |
| 1.3.2 数据映射现状 | 第13-14页 |
| 1.4 本文主要内容及结构安排 | 第14-16页 |
| 第二章 主数据管理与数据映射概述 | 第16-25页 |
| 2.1 主数据 | 第16-18页 |
| 2.1.1 主数据的定义 | 第16页 |
| 2.1.2 主数据的范围 | 第16-18页 |
| 2.2 主数据管理 | 第18-22页 |
| 2.2.1 主数据管理的定义 | 第18-19页 |
| 2.2.2 主数据管理架构 | 第19-21页 |
| 2.2.3 主数据管理的功能 | 第21-22页 |
| 2.3 数据映射 | 第22-24页 |
| 2.3.1 GAV | 第22-23页 |
| 2.3.2 LAV | 第23页 |
| 2.3.3 GLAV | 第23页 |
| 2.3.4 其他映射方法 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 民航主数据管理与识别 | 第25-35页 |
| 3.1 “互联网+”民航主动服务平台 | 第25-28页 |
| 3.1.1 平台架构 | 第25-26页 |
| 3.1.2 民航主数据管理的内容 | 第26-27页 |
| 3.1.3 民航主数据管理流程 | 第27-28页 |
| 3.2 主数据的识别方法 | 第28-32页 |
| 3.2.1 层次分析法 | 第28-30页 |
| 3.2.2 综合加权法 | 第30-32页 |
| 3.3 民航主数据识别 | 第32-34页 |
| 3.3.1 参评民航数据 | 第32页 |
| 3.3.2 关联度分析与民航主数据确定 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 一种基于稀疏自编码的民航主数据映射方法 | 第35-50页 |
| 4.1 自编码神经网络 | 第35-36页 |
| 4.2 民航主数据的特征提取方法 | 第36-39页 |
| 4.2.1 民航主数据的选取 | 第36-37页 |
| 4.2.2 民航主数据的特征 | 第37-38页 |
| 4.2.3 民航主数据的初级特征提取 | 第38-39页 |
| 4.3 算法流程及分类器组成 | 第39-43页 |
| 4.3.1 算法流程 | 第39-40页 |
| 4.3.2 稀疏自编码器 | 第40-41页 |
| 4.3.3 SVM分类器 | 第41页 |
| 4.3.4 组合投票器 | 第41-42页 |
| 4.3.5 映射概率模型 | 第42-43页 |
| 4.4 实验结果与分析 | 第43-48页 |
| 4.4.1 数据有效位数的影响 | 第43-45页 |
| 4.4.2 稀疏自编码的影响 | 第45-46页 |
| 4.4.3 隐藏神经元个数的影响 | 第46-47页 |
| 4.4.4 组合投票参数的影响 | 第47-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第五章 基于地址主数据的“互联网+”数据分级映射策略 | 第50-61页 |
| 5.1 民航相关“互联网”数据特征分析 | 第50页 |
| 5.2 四级地址树的映射规则 | 第50-52页 |
| 5.2.1 中文地址的标准规范 | 第50-51页 |
| 5.2.2 四级映射地址树 | 第51-52页 |
| 5.3 地址树的生成与更新 | 第52-55页 |
| 5.3.1 生成与更新流程 | 第52-54页 |
| 5.3.2 地址树生成 | 第54-55页 |
| 5.4 基于相似度的非标准地址处理 | 第55-60页 |
| 5.4.1 LD距离与字符串相似度 | 第55-56页 |
| 5.4.2 基于字符串相似度的标准化流程 | 第56-57页 |
| 5.4.3 结合音码与型码的改进相似度算法 | 第57-58页 |
| 5.4.4 实验分析 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 作者简介 | 第67页 |