数据挖掘技术在国税管理中的研究与应用
| 摘要 | 第1-9页 |
| ABSTRACT | 第9-11页 |
| 第一章 绪论 | 第11-17页 |
| ·研究背景 | 第11页 |
| ·国内外研究现状 | 第11-14页 |
| ·数据挖掘研究现状 | 第11-13页 |
| ·税务信息化的研究现状 | 第13-14页 |
| ·本文的研究内容和思路 | 第14-15页 |
| ·本文组织结构 | 第15-17页 |
| 第二章 关联规则挖掘、神经网络及PSO 算法概述 | 第17-36页 |
| ·关联规则挖掘概述 | 第17-25页 |
| ·关联规则的基本概念 | 第17-18页 |
| ·关联规则的分类 | 第18页 |
| ·经典关联规则挖掘算法 | 第18-24页 |
| ·Apriori 算法 | 第18-21页 |
| ·FP-growth 算法 | 第21-22页 |
| ·其他算法 | 第22-24页 |
| ·算法的分析、比较 | 第24-25页 |
| ·关联规则挖掘研究的发展趋势 | 第25页 |
| ·人工神经网络概述 | 第25-33页 |
| ·人工神经网络发展概要 | 第25-26页 |
| ·神经网络的基本原理和特点 | 第26-27页 |
| ·RBF 神经网络 | 第27-33页 |
| ·RBF 神经网络的结构和基函数 | 第27-29页 |
| ·RBF 神经网络学习算法综述 | 第29-32页 |
| ·RBF 神经网络的优点及问题 | 第32-33页 |
| ·微粒群算法基础 | 第33-35页 |
| ·微粒群算法原理 | 第33-34页 |
| ·基本PSO 算法流程 | 第34页 |
| ·标准PSO 算法 | 第34-35页 |
| ·微粒群算法与RBF 神经网络的结合 | 第35页 |
| ·本章小结 | 第35-36页 |
| 第三章 改进的关联规则挖掘算法设计 | 第36-45页 |
| ·G-APRIORI 算法 | 第36-38页 |
| ·G-Apriori 算法实现 | 第36-37页 |
| ·算法应用举例 | 第37页 |
| ·改进的算法与原算法的分析比较 | 第37-38页 |
| ·DC-APRIORI 算法 | 第38-39页 |
| ·H-AVM 算法 | 第39-44页 |
| ·H-AVM 算法思想 | 第39-41页 |
| ·事务数据库的比特向量表示 | 第40-41页 |
| ·Hash 算法应用 | 第41页 |
| ·H-AVM 算法描述 | 第41-42页 |
| ·算法实现 | 第42-43页 |
| ·算法性能及实验结果分析 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 关联分析方法在国税系统中的应用 | 第45-56页 |
| ·关联规则挖掘在税务稽查中的应用 | 第45-48页 |
| ·数据准备 | 第45-46页 |
| ·关联规则挖掘过程 | 第46-47页 |
| ·结果分析 | 第47-48页 |
| ·维间关联规则挖掘在税务系统的应用 | 第48-51页 |
| ·基于数据立方体的多维关联规则挖掘 | 第48页 |
| ·数据立方体的产生 | 第48-51页 |
| ·关联规则挖掘结果及分析 | 第51页 |
| ·H-AVM 算法在税收执法管理系统中的应用 | 第51-55页 |
| ·数据选择及预处理 | 第52-53页 |
| ·关联规则挖掘结果与分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第五章 基于PSO 的RBF 网络预测模型的构建 | 第56-61页 |
| ·PSO 算法改进 | 第56-57页 |
| ·PSO 算法惯性权重的改进 | 第56-57页 |
| ·PSO 的编码和适应度函数 | 第57页 |
| ·PSO-RBF 网络预测模型的建立 | 第57-59页 |
| ·基函数中心个数的确定 | 第58页 |
| ·PSO-RBF 模型建立的基本步骤 | 第58-59页 |
| ·PSO-RBF 模型在税收预测中的应用 | 第59-60页 |
| ·实验方法与结果 | 第59-60页 |
| ·结果分析 | 第60页 |
| ·本章小结 | 第60-61页 |
| 第六章 结束语 | 第61-62页 |
| ·本文的工作 | 第61页 |
| ·进一步的研究方向 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间取得的科研成果 | 第65-66页 |
| 致谢 | 第66页 |
