大坝施工期温度监测数据关联规则挖掘与预测
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 大坝混凝土温控研究现状 | 第9-11页 |
| 1.2.1 大坝混凝土材料研究 | 第9-10页 |
| 1.2.2 大坝混凝土温度仿真分析 | 第10-11页 |
| 1.2.3 温控防裂措施 | 第11页 |
| 1.3 数据挖掘技术在水利工程的应用 | 第11-13页 |
| 1.4 研究思路与研究内容 | 第13-15页 |
| 第2章 数据挖掘算法的概念与理论 | 第15-29页 |
| 2.1 聚类分析方法 | 第15-19页 |
| 2.1.1 K-均值聚类算法 | 第15-17页 |
| 2.1.2 DBSCAN基于密度聚类算法 | 第17-19页 |
| 2.2 关联规则挖掘与Apriori算法 | 第19-23页 |
| 2.2.1 频繁项集挖掘Apriori算法 | 第19-22页 |
| 2.2.2 关联规则挖掘 | 第22-23页 |
| 2.3 支持向量机理论 | 第23-28页 |
| 2.3.1 分类支持向量机 | 第23-26页 |
| 2.3.2 回归支持向量机 | 第26-28页 |
| 2.4 R语言 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 大坝施工数据预处理 | 第29-39页 |
| 3.1 工程背景与数据信息 | 第29-30页 |
| 3.2 数据清洗 | 第30-37页 |
| 3.2.1 异常值处理 | 第30-35页 |
| 3.2.2 缺失值填充 | 第35-37页 |
| 3.2.3 属性统一 | 第37页 |
| 3.3 数据库设计 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 温度时程曲线聚类分析 | 第39-53页 |
| 4.1 时间序列相似性度量——DTW | 第39-41页 |
| 4.2 温度时间序列K-means聚类 | 第41-51页 |
| 4.2.1 温度时间序列准备 | 第41-42页 |
| 4.2.2 K-means聚类簇数确定 | 第42-44页 |
| 4.2.3 K-means聚类结果分析 | 第44-51页 |
| 4.3 本章小结 | 第51-53页 |
| 第5章 基于Apriori算法的关联规则挖掘 | 第53-71页 |
| 5.1 构建关联数据库 | 第53-56页 |
| 5.1.1 数据的选取 | 第53页 |
| 5.1.2 属性离散化处理 | 第53-56页 |
| 5.2 关联规则建立 | 第56-58页 |
| 5.3 聚类簇关联规则分析 | 第58-69页 |
| 5.4 本章小结 | 第69-71页 |
| 第6章 基于支持向量的施工期温度时程预测 | 第71-92页 |
| 6.1 数据提取 | 第71-72页 |
| 6.2 主成分分析 | 第72-76页 |
| 6.2.1 数据标准化处理 | 第73页 |
| 6.2.2 主成分个数确定的判别条件 | 第73-75页 |
| 6.2.3 主成分提取与解释 | 第75-76页 |
| 6.3 温度时程曲线分类预测模型 | 第76-85页 |
| 6.4 温度时程曲线整体预测模型 | 第85-91页 |
| 6.4.1 主成分分析 | 第85-86页 |
| 6.4.2 时程曲线预测模型 | 第86-91页 |
| 6.5 本章小结 | 第91-92页 |
| 第7章 结论与展望 | 第92-94页 |
| 7.1 主要结论 | 第92-93页 |
| 7.2 研究展望 | 第93-94页 |
| 参考文献 | 第94-98页 |
| 致谢 | 第98-100页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第100页 |
