面向防伪溯源领域的数据分析系统研发
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 课题国内外研究现状 | 第10-11页 |
| 1.3 课题研究内容 | 第11-12页 |
| 1.4 本文组织结构 | 第12-14页 |
| 第2章 理论基础与关键技术 | 第14-21页 |
| 2.1 BP神经网络与小波分析 | 第14-15页 |
| 2.1.1 BP神经网络 | 第14-15页 |
| 2.1.2 小波理论 | 第15页 |
| 2.2 K均值聚类与人工蜂群算法 | 第15-18页 |
| 2.2.1 K均值聚类算法 | 第16-17页 |
| 2.2.2 人工蜂群算法 | 第17-18页 |
| 2.3 内存数据库Redis与数据库索引 | 第18-20页 |
| 2.3.1 内存数据库Redis | 第18-19页 |
| 2.3.2 数据库索引技术 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 BP神经网络与小波分析组合预测方法 | 第21-39页 |
| 3.1 BP学习算法 | 第21-24页 |
| 3.2 小波分析 | 第24-29页 |
| 3.2.1 小波变换 | 第24-25页 |
| 3.2.2 常用小波函数 | 第25-27页 |
| 3.2.3 小波去噪 | 第27-28页 |
| 3.2.4 小波分析Mallat算法 | 第28-29页 |
| 3.3 组合预测方法及其应用 | 第29-37页 |
| 3.3.1 历史数据统计 | 第30页 |
| 3.3.2 数据预处理 | 第30-32页 |
| 3.3.3 预测过程和结果 | 第32-35页 |
| 3.3.4 结果分析 | 第35-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 基于人工蜂群算法的聚类分析 | 第39-49页 |
| 4.1 人工蜂群算法的改进 | 第39-42页 |
| 4.1.1 算法研究现状 | 第39页 |
| 4.1.2 选择概率的改进 | 第39-40页 |
| 4.1.3 实验仿真与分析 | 第40-42页 |
| 4.2 基于改进人工蜂群算法优化的KMC聚类算法 | 第42-43页 |
| 4.2.1 KMC算法现状 | 第42页 |
| 4.2.2 优化KMC算法具体流程 | 第42-43页 |
| 4.3 混合聚类算法应用 | 第43-48页 |
| 4.3.1 数据准备 | 第43-45页 |
| 4.3.2 聚类分析 | 第45-46页 |
| 4.3.3 价值模型构建 | 第46-47页 |
| 4.3.4 价值估计和结果分析 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 数据分析系统设计与实现 | 第49-67页 |
| 5.1 系统需求分析 | 第49-50页 |
| 5.1.1 功能性需求 | 第49页 |
| 5.1.2 非功能性需求 | 第49-50页 |
| 5.2 系统总体设计 | 第50-52页 |
| 5.2.1 系统架构 | 第50-51页 |
| 5.2.2 外部接口 | 第51页 |
| 5.2.3 数据结构规范和命名规则 | 第51-52页 |
| 5.3 系统功能模块详细设计 | 第52-58页 |
| 5.3.1 数据收集模块 | 第53-54页 |
| 5.3.2 数据统计分析模块 | 第54-56页 |
| 5.3.3 消费安全事件预警模块 | 第56-57页 |
| 5.3.4 对象价值估计模块 | 第57-58页 |
| 5.4 系统数据库设计与优化 | 第58-63页 |
| 5.4.1 系统数据库设计规范 | 第59页 |
| 5.4.2 数据表设计 | 第59-61页 |
| 5.4.3 数据库查询优化 | 第61-62页 |
| 5.4.4 Redis缓存 | 第62-63页 |
| 5.5 系统功能模块实现 | 第63-66页 |
| 5.5.1 系统开发环境 | 第63页 |
| 5.5.2 系统运行效果 | 第63-66页 |
| 5.6 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 论文工作总结 | 第67-68页 |
| 6.2 展望及今后工作 | 第68-69页 |
| 攻读硕士学位期间取得的学术成果 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
