| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 研究内容和技术路线 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 技术路线 | 第14-15页 |
| 1.4 研究方法 | 第15页 |
| 1.5 创新点 | 第15-16页 |
| 第2章 相关概念和理论基础 | 第16-28页 |
| 2.1 物业税税基评估 | 第16-19页 |
| 2.1.1 物业税税基评估的内涵 | 第16-17页 |
| 2.1.2 物业税税基评估的特点 | 第17-18页 |
| 2.1.3 物业税税基评估的基本原则 | 第18-19页 |
| 2.2 批量评估 | 第19-22页 |
| 2.2.1 批量评估的概念和特点 | 第19-20页 |
| 2.2.2 批量评估的适用条件和一般步骤 | 第20-21页 |
| 2.2.3 批量评估的模型构建与校准方法 | 第21-22页 |
| 2.3 BP神经网络 | 第22-27页 |
| 2.3.1 BP神经网络的基本原理 | 第22-25页 |
| 2.3.2 BP神经网络的特点 | 第25-26页 |
| 2.3.3 BP神经网络算法的基本流程 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 物业税税基批量评估指标体系的构建 | 第28-36页 |
| 3.1 物业税税基批量评估影响因素 | 第28-30页 |
| 3.1.1 区位因素 | 第28-29页 |
| 3.1.2 邻里环境因素 | 第29-30页 |
| 3.1.3 建筑结构因素 | 第30页 |
| 3.1.4 其他因素 | 第30页 |
| 3.2 物业税税基批量评估指标的选取 | 第30-32页 |
| 3.2.1 指标选取原则 | 第30-31页 |
| 3.2.2 指标选取的思路 | 第31-32页 |
| 3.2.3 指标的确定 | 第32页 |
| 3.3 物业税税基批量评估指标的释义与量化 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于BP神经网络的物业税税基批量评估模型建立 | 第36-45页 |
| 4.1 样本的选取与预处理 | 第36-37页 |
| 4.1.1 样本的选取 | 第36-37页 |
| 4.1.2 样本的预处理 | 第37页 |
| 4.2 BP神经网络的建立 | 第37-41页 |
| 4.2.1 BP神经网络结构的确定 | 第38-39页 |
| 4.2.2 传递函数的选择 | 第39-41页 |
| 4.3 BP神经网络的学习 | 第41-44页 |
| 4.3.1 初始权值和阈值的确定 | 第41页 |
| 4.3.2 学习算法的选择 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 模型的MATLAB实现与模拟应用 | 第45-54页 |
| 5.1 模型的MATLAB实现 | 第45-50页 |
| 5.1.1 MATLAB与神经网络工具箱 | 第45-46页 |
| 5.1.2 基于MATLAB的BP神经网络建立 | 第46-47页 |
| 5.1.3 基于MATLAB的BP神经网络训练与仿真 | 第47-50页 |
| 5.2 基于BP神经网络的物业税税基批量评估模型模拟应用 | 第50-53页 |
| 5.2.1 案例背景 | 第50页 |
| 5.2.2 数据的获取与处理 | 第50-51页 |
| 5.2.3 模型的模拟应用 | 第51-53页 |
| 5.3 结果分析 | 第53页 |
| 5.4 本章小结 | 第53-54页 |
| 第6章 结论与展望 | 第54-56页 |
| 6.1 结论 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-60页 |
| 致谢 | 第60-61页 |
| 附录 | 第61-71页 |
