| 第一章：绪论 | 第1-19页 |
| ·DM技术与KDD技术简介 | 第12-14页 |
| ·DM技术与KDD技术产生背景 | 第12-13页 |
| ·DM技术和KDD技术的相关概念 | 第13-14页 |
| ·KDD在时序数据中的应用 | 第14-16页 |
| ·课题背景 | 第14-15页 |
| ·课题目的和意义 | 第15-16页 |
| ·国内外研究现状 | 第16-17页 |
| ·国内外关于KDD的研究 | 第16-17页 |
| ·国内外关于时序数据挖掘的研究 | 第17页 |
| ·国内外关于KDD应用于金融领域内的研究 | 第17页 |
| ·本文研究工作和组织内容 | 第17-19页 |
| 第二章：时序数据挖掘在金融领域中的应用 | 第19-29页 |
| ·KDD理论在实践中的作用 | 第19-20页 |
| ·KDD各个阶段的主要技术介绍 | 第20-22页 |
| ·数据预处理模块 | 第20-21页 |
| ·数据挖掘模块 | 第21-22页 |
| ·模式评估模块 | 第22页 |
| ·知识表示 | 第22页 |
| ·时序数据挖掘介绍 | 第22-26页 |
| ·时序数据挖掘中的趋势分析 | 第23-25页 |
| ·时序数据挖掘中的模式获取与时序分析 | 第25-26页 |
| ·时序数据挖掘在金融领域中应用 | 第26-27页 |
| ·金融领域中的时序数据 | 第26-27页 |
| ·金融领域时序数据挖掘应用 | 第27页 |
| ·金融时序数据分析系统介绍 | 第27-29页 |
| 第三章 基于领域知识和时序特征的数据预处理 | 第29-39页 |
| ·数据预处理的一般形式 | 第29-31页 |
| ·数据清理 | 第29页 |
| ·数据集成 | 第29-30页 |
| ·数据转换 | 第30-31页 |
| ·数据消减 | 第31页 |
| ·时序相关数据挖掘预处理 | 第31-34页 |
| ·时序数据标准化 | 第31-32页 |
| ·采用DFT变换与反变换的方法处理数据 | 第32-33页 |
| ·时序数据曲线预处理 | 第33-34页 |
| ·基于领域知识的预处理方法[2，22] | 第34-36页 |
| ·领域知识与专家系统介绍 | 第34-35页 |
| ·领域知识在预处理中的应用 | 第35-36页 |
| ·统计学方法在于处理中应用 | 第36-39页 |
| ·数据预处理中的统计学基础 | 第36-37页 |
| ·偏最小二乘法在数据预处理中的应用[5，27，28] | 第37-39页 |
| 第四章 基于模式的孤立点发现和数据预测 | 第39-52页 |
| ·时序数据模式挖掘方法介绍 | 第39-40页 |
| ·基于统计学的聚类方法 | 第39-40页 |
| ·机器学习的聚类方法 | 第40页 |
| ·神经网络方法 | 第40页 |
| ·基于统计距离的的时序数据模式发现 | 第40-42页 |
| ·利用欧几里得距离发现模式 | 第41页 |
| ·基于最小距离的时序序列数据模式发现 | 第41-42页 |
| ·C—均值聚类法及其改进 | 第42-48页 |
| ·C—均值聚类法 | 第42-43页 |
| ·改进的C—均值算法 | 第43-46页 |
| ·模式评估 | 第46-48页 |
| ·基于模式聚类的数据预测 | 第48-52页 |
| ·时序数据预测方法 | 第48-49页 |
| ·基于模式的时序数据预测 | 第49-50页 |
| ·基于聚类构建小样本空间预测 | 第50-52页 |
| 第五章 实验系统 | 第52-60页 |
| ·系统概述 | 第52页 |
| ·数据预处理模块 | 第52-55页 |
| ·模式挖掘模块 | 第55-59页 |
| ·数据标准化处理 | 第55-57页 |
| ·DFT转换处理 | 第57页 |
| ·模式发现及应用 | 第57-59页 |
| ·改进工作 | 第59-60页 |
| 第六章 结束语 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 攻读硕士学位期间主要科研工作和成果 | 第64页 |