基于数据挖掘技术对车载蓄电池数据的研究与分析
| 中文摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第11-14页 |
| 1.1 选题的理论意义与背景 | 第11页 |
| 1.2 国内外研究现状和发展趋势 | 第11-13页 |
| 1.2.1 国外研究现状和发展趋势 | 第11-12页 |
| 1.2.2 国内研究现状和发展趋势 | 第12-13页 |
| 1.3 课题内容及本文所做的工作 | 第13-14页 |
| 1.3.1 课题研究内容 | 第13页 |
| 1.3.2 论文内容及组织安排 | 第13-14页 |
| 第2章 工业大数据理论基础 | 第14-17页 |
| 2.1 工业大数据概述 | 第14-16页 |
| 2.1.1 工业大数据定义 | 第14页 |
| 2.1.2 工业大数据的主要来源 | 第14-15页 |
| 2.1.3 工业大数据的特征及价值 | 第15-16页 |
| 2.1.4 工业大数据的价值 | 第16页 |
| 2.2 本章小结 | 第16-17页 |
| 第3章 数据挖掘方法的技术 | 第17-24页 |
| 3.1 数据挖掘技术 | 第17-19页 |
| 3.1.1 数据挖掘 | 第17页 |
| 3.1.2 数据挖掘的步骤 | 第17页 |
| 3.1.3 数据挖掘的分类 | 第17-18页 |
| 3.1.4 数据挖掘的应用领域以及任务 | 第18页 |
| 3.1.5 数据挖掘的常用算法 | 第18-19页 |
| 3.2 聚类分析 | 第19-22页 |
| 3.2.1 基于划分的聚类 | 第19-20页 |
| 3.2.2 基于层次的聚类 | 第20页 |
| 3.2.3 基于密度的聚类算法 | 第20-21页 |
| 3.2.4 基于网络的聚类分析 | 第21-22页 |
| 3.2.5 基于模型的聚类算法 | 第22页 |
| 3.3 数据挖掘中相关联分析算法介绍 | 第22-23页 |
| 3.3.1 图表相关分析 | 第22页 |
| 3.3.2 协方差法与协方差矩阵法 | 第22-23页 |
| 3.3.3 相关系数 | 第23页 |
| 3.4 本章小结 | 第23-24页 |
| 第4章 新能源蓄电池数据挖掘算法的设计与实现 | 第24-38页 |
| 4.1 数据挖掘案例整体设计 | 第24-27页 |
| 4.1.1 数据挖掘整体设计 | 第24-25页 |
| 4.1.2 数据挖掘案例原始数据介绍 | 第25-27页 |
| 4.2 新能源蓄电池数据预处理 | 第27-29页 |
| 4.2.1 数据清洗 | 第28页 |
| 4.2.2 数据的变换 | 第28页 |
| 4.2.3 数据规约 | 第28-29页 |
| 4.3 新能源蓄电池数据相关性分析 | 第29-31页 |
| 4.3.1 相关系性分析的算法 | 第29页 |
| 4.3.2 新能源电池数据相关性分析的实现 | 第29-31页 |
| 4.4 新能源电池数据异常值检测 | 第31-32页 |
| 4.4.1 异常值检测的算法 | 第31-32页 |
| 4.4.2 异常值检测的实现 | 第32页 |
| 4.5 新能源蓄电池数据聚类分析 | 第32-37页 |
| 4.5.1 聚类分析算法的选择 | 第32-33页 |
| 4.5.2 基于k-means的数据挖掘算法 | 第33-34页 |
| 4.5.3 对于k-means算法的改进 | 第34-35页 |
| 4.5.4 聚类分析算法的实现 | 第35-37页 |
| 4.6 本章小结 | 第37-38页 |
| 第5章 结果分析与总结 | 第38-42页 |
| 5.1 异常值测试的结果和分析 | 第38-39页 |
| 5.2 相关系数的算法的实现 | 第39-40页 |
| 5.3 聚类分析算法的结果分析 | 第40-41页 |
| 5.4 本章小节 | 第41-42页 |
| 结束语 | 第42-44页 |
| 参考文献 | 第44-47页 |
| 致谢 | 第47-48页 |
| 个人简历及在学期间的研究成果和发表的学术论文 | 第48页 |
