基于数据挖掘技术的犯罪预警模型设计与实现
摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第11-15页 |
1.1 研究背景及意义 | 第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12页 |
1.2.2 国内研究现状 | 第12-13页 |
1.3 论文的主要内容和组织结构 | 第13-14页 |
1.3.1 主要内容 | 第13页 |
1.3.2 章节安排 | 第13-14页 |
1.4 本章小结 | 第14-15页 |
第二章 理论综述 | 第15-21页 |
2.1 数据挖掘理论 | 第15-19页 |
2.1.1 数据挖掘概念 | 第15页 |
2.1.2 数据挖掘的任务和功能 | 第15-16页 |
2.1.3 数据挖掘的过程 | 第16页 |
2.1.4 数据预测的主要算法 | 第16-19页 |
2.2 犯罪预警相关理论 | 第19页 |
2.2.1 行为学理论与犯罪预警 | 第19页 |
2.2.2 社会学习理论与犯罪预警 | 第19页 |
2.3 本章小结 | 第19-21页 |
第三章 基础数据分析与数据预处理 | 第21-29页 |
3.1 警务数据基本情况分析 | 第21-23页 |
3.2 数据质量分析 | 第23-24页 |
3.3 数据关系分析 | 第24-25页 |
3.4 数据预处理 | 第25-27页 |
3.4.1 数据清理 | 第25-26页 |
3.4.2 数据集成 | 第26-27页 |
3.4.3 数据变换 | 第27页 |
3.5 本章小结 | 第27-29页 |
第四章 基于关联规则的静态信息分析及犯罪预警 | 第29-41页 |
4.1 需求分析 | 第29页 |
4.2 关联规则概述 | 第29-33页 |
4.2.1 关联规则概念及形式化定义 | 第29-30页 |
4.2.2 关联规则的挖掘步骤 | 第30-31页 |
4.2.3 经典的关联规则算法 | 第31-33页 |
4.3 静态信息分析与预警模型设计 | 第33-38页 |
4.3.1 数据准备 | 第33-34页 |
4.3.2 算法的选择与改进 | 第34-35页 |
4.3.3 关联规则挖掘过程 | 第35-37页 |
4.3.4 结果与评价 | 第37-38页 |
4.4 本章小结 | 第38-41页 |
第五章 基于朴素贝叶斯分类技术的动态信息预警分析 | 第41-51页 |
5.1 需求分析 | 第41页 |
5.2 贝叶斯分类技术 | 第41-43页 |
5.2.1 贝叶斯分类技术概述 | 第41页 |
5.2.2 贝叶斯分类的理论基础 | 第41-42页 |
5.2.3 朴素贝叶斯分类技术 | 第42-43页 |
5.3 动态警务信息预警模型设计 | 第43-49页 |
5.3.1 数据准备 | 第43-45页 |
5.3.2 模型设计 | 第45-46页 |
5.3.3 结果与评价 | 第46-49页 |
5.4 本章小结 | 第49-51页 |
第六章 犯罪预警系统的设计与实现 | 第51-63页 |
6.1 软件结构说明 | 第51-53页 |
6.1.1 静态规则分析预警模块 | 第52页 |
6.1.2 动态轨迹分析预警模块 | 第52-53页 |
6.2 软件主要功能实现 | 第53-59页 |
6.2.1 静态规则分析预警模块功能设计 | 第53-55页 |
6.2.2 动态轨迹分析预警模块功能设计 | 第55-59页 |
6.3 软件开发及运行环境 | 第59页 |
6.4 系统测试 | 第59-61页 |
6.5 本章小结 | 第61-63页 |
第七章 结论 | 第63-65页 |
参考文献 | 第65-67页 |
作者简介 | 第67页 |
作者在攻读硕士学位期间发表的学术论文 | 第67-69页 |
致谢 | 第69页 |