| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-17页 |
| ·研究背景和意义 | 第11-12页 |
| ·研究现状 | 第12-14页 |
| ·数据挖掘技术的研究现状 | 第12页 |
| ·数据挖掘在公安情报分析领域应用的研究现状 | 第12-14页 |
| ·本文的主要内容 | 第14-15页 |
| ·本文结构 | 第15-17页 |
| 2 数据挖掘技术理论 | 第17-21页 |
| ·数据挖掘概述 | 第17-19页 |
| ·数据挖掘概念 | 第17-18页 |
| ·数据挖掘任务 | 第18-19页 |
| ·数据挖掘技术在公安情报分析与预测中的可行性分析 | 第19页 |
| ·数据挖掘技术的应用研究 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 3 自适应k-means算法在类案分析与人员分析中的应用 | 第21-37页 |
| ·k-means算法在类案分析中存在的问题 | 第21-23页 |
| ·k-means算法 | 第21-22页 |
| ·类案分析中k-means聚类算法存在的问题 | 第22-23页 |
| ·自适应k-means聚类算法的引入 | 第23-25页 |
| ·数据预处理 | 第23页 |
| ·自适应k-means聚类算法的步骤 | 第23-24页 |
| ·自适应k-means聚类算法的描述 | 第24-25页 |
| ·自适应k-means聚类算法的实现 | 第25页 |
| ·自适应k-means聚类算法在类案分析中的应用 | 第25-31页 |
| ·数据的准备 | 第25-27页 |
| ·类案聚类挖掘分析 | 第27-29页 |
| ·类案分析中两种聚类算法比较 | 第29-31页 |
| ·自适应k-means聚类算法在犯罪人员分析中的应用 | 第31-35页 |
| ·数据的准备 | 第31-32页 |
| ·人员聚类挖掘分析 | 第32-34页 |
| ·犯罪人员分析中两种聚类算法比较 | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 4 改进的ID3算法在犯罪客观因素分析中的应用 | 第37-49页 |
| ·ID3算法在犯罪客观因素分析中的应用 | 第37-42页 |
| ·ID3算法 | 第37-38页 |
| ·传统的ID3算法在犯罪客观因素中的应用模型 | 第38-42页 |
| ·犯罪客观因素分析中ID3算法存在的问题 | 第42页 |
| ·ID3算法的改进 | 第42-45页 |
| ·ID3算法的改进思想 | 第42页 |
| ·改进算法的步骤 | 第42-45页 |
| ·改进算法的实现 | 第45页 |
| ·基于权重的ID3算法在犯罪客观因素分析中的应用模型 | 第45-48页 |
| ·数据准备 | 第45-46页 |
| ·权重的设定 | 第46页 |
| ·建立模型 | 第46-48页 |
| ·模型评估 | 第48页 |
| ·本章小结 | 第48-49页 |
| 5 改进的Apriori算法在案件分析中的应用 | 第49-63页 |
| ·Apriori算法在案件分析中的应用 | 第49-55页 |
| ·Apriori算法 | 第49-52页 |
| ·传统的Apriori算法在案件分析中的应用模型 | 第52-55页 |
| ·案件分析中Apriori算法存在的问题 | 第55页 |
| ·Apriori算法的改进 | 第55-59页 |
| ·新模型的建立 | 第55-58页 |
| ·改进算法的描述 | 第58-59页 |
| ·改进算法的实现 | 第59页 |
| ·加权的Apriori算法在案件分析中的应用模型 | 第59-62页 |
| ·数据准备 | 第59-60页 |
| ·权重的确定 | 第60页 |
| ·挖掘关联挖掘 | 第60-61页 |
| ·规则分析 | 第61页 |
| ·算法比较 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 6 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 附录A 实验数据 | 第69-91页 |
| 在学期间研究成果 | 第91-93页 |
| 致谢 | 第93页 |
