| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题的研究背景及意义 | 第10-13页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-12页 |
| 1.1.3 国内外研究现状 | 第12-13页 |
| 1.2 论文主要研究内容: | 第13-14页 |
| 1.3 论文的结构安排 | 第14-15页 |
| 第2章 聚类分析 | 第15-35页 |
| 2.1 聚类的介绍 | 第15-19页 |
| 2.1.1 聚类的定义 | 第15-16页 |
| 2.1.2 数据对象间的相异度 | 第16-18页 |
| 2.1.3 数据挖掘对聚类分析的要求 | 第18-19页 |
| 2.2 聚类分析中的主要算法 | 第19-27页 |
| 2.3 K-means算法的改进 | 第27-33页 |
| 2.3.1 K-means算法面临的主要问题 | 第27-28页 |
| 2.3.2 遗传算法概述 | 第28-31页 |
| 2.3.3 使用遗传算法对K-means的改进 | 第31-33页 |
| 2.4 改进算法的实例分析 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 人工神经网络 | 第35-47页 |
| 3.1 人工神经网络基本原理 | 第35-37页 |
| 3.2 BP神经网络算法 | 第37-44页 |
| 3.2.1 BP神经网络算法介绍 | 第37-40页 |
| 3.2.2 粗糙集的理论概述 | 第40-43页 |
| 3.2.3 基于粗糙集和遗传算法的BP算法的改进研究 | 第43-44页 |
| 3.3 神经网络改进算法的实例分析 | 第44-46页 |
| 3.3.1 数据离散化 | 第44-45页 |
| 3.3.2 利用粗糙集进行属性约简 | 第45页 |
| 3.3.3 寻找最优BP网络参数 | 第45页 |
| 3.3.4 结果分析 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 实证分析 | 第47-55页 |
| 4.1 客户消费模式分析 | 第47-48页 |
| 4.2 数据整理 | 第48-50页 |
| 4.2.1 随机抽样 | 第48-49页 |
| 4.2.2 数据量化 | 第49-50页 |
| 4.3 数据聚类 | 第50-53页 |
| 4.3.1 对分组进行命名和特征描述 | 第51-52页 |
| 4.3.2 分组应用探索 | 第52-53页 |
| 4.4 按生成的类别进行属性约简并训练神经网络 | 第53页 |
| 4.5 本章小结 | 第53-55页 |
| 第5章 总结和期望 | 第55-58页 |
| 5.1 本文研究成果 | 第55页 |
| 5.2 本文创新之处 | 第55-56页 |
| 5.3 本文工作展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |