| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-16页 |
| ·研究背景 | 第9-14页 |
| ·数据挖掘在电信业的商业价值 | 第10-11页 |
| ·数据挖掘的应用领域 | 第11-13页 |
| ·目前国际交换话务分析现状 | 第13-14页 |
| ·论文主要内容 | 第14-16页 |
| 第二章 数据挖掘和神经网络技术 | 第16-30页 |
| ·数据挖掘 | 第16-18页 |
| ·数据挖掘的定义 | 第16页 |
| ·数据挖掘的数据来源 | 第16-18页 |
| ·数据挖掘的产生 | 第18页 |
| ·数据挖掘的步骤 | 第18-19页 |
| ·数据挖掘的体系结构 | 第19-20页 |
| ·数据挖掘的主要模式 | 第20-22页 |
| ·模式的相关内容 | 第20-21页 |
| ·模式的种类 | 第21页 |
| ·挖掘模式分类 | 第21-22页 |
| ·聚类及相关算法 | 第22-25页 |
| ·聚类问题的定义 | 第23页 |
| ·几种常见的聚类算法 | 第23-25页 |
| ·分类及决策树 | 第25-26页 |
| ·构造分类器的步骤 | 第25-26页 |
| ·分类的目的 | 第26页 |
| ·分类的定义 | 第26页 |
| ·决策树及基本算法 | 第26页 |
| ·关联规则 | 第26-28页 |
| ·BP神经网络 | 第28-30页 |
| ·BP误差反传神经网络 | 第28页 |
| ·BP神经网络结构 | 第28-30页 |
| 第三章 国际网管话务统计的聚类研究 | 第30-37页 |
| ·K-MEANS算法 | 第30-31页 |
| ·K-means算法描述 | 第30页 |
| ·K-means算法的说明 | 第30-31页 |
| ·结合国际网管特性对K-MEANS算法进行改进 | 第31-32页 |
| ·利用改进的K-MEANS算法对国际网管话务数据进行聚类 | 第32-35页 |
| ·输出结果的分析及利用聚类算法得到结果 | 第35-36页 |
| ·输出结果的分析 | 第35页 |
| ·利用微软聚类算法得到结果的比较 | 第35-36页 |
| ·小结 | 第36-37页 |
| 第四章 基于聚类算法结果对网管数据进行分类 | 第37-44页 |
| ·ID3算法综述 | 第37页 |
| ·ID3算法描述 | 第37-38页 |
| ·利用快速排序法得到最大GAIN(D，S) | 第38-39页 |
| ·根据第三章K-MEANS算法所得结果构造ID3算法决策树 | 第39-42页 |
| ·训练集的选定 | 第39-40页 |
| ·构造ID3决策树 | 第40-42页 |
| ·利用异常话务决策树的应用实例 | 第42-43页 |
| ·小结 | 第43-44页 |
| 第五章 网管统计关联规则挖掘 | 第44-52页 |
| ·APRIORI算法 | 第44-45页 |
| ·APRIORI算法描述 | 第45-46页 |
| ·两种改进的APRIORI算法比较 | 第46-47页 |
| ·减少数据库扫描的一种改进算法 | 第46页 |
| ·避免产生大量候选项集的一种改进算法 | 第46-47页 |
| ·结合两种改进的APRIORI算法及CDR数据库改进算法 | 第47-50页 |
| ·改进算法 | 第47-49页 |
| ·改进算法的分析 | 第49-50页 |
| ·网管统计关联规则实验分析 | 第50-51页 |
| ·小结 | 第51-52页 |
| 第六章 BP神经网络对国际交换忙时接通率的预测 | 第52-57页 |
| ·BP神经网络学习算法 | 第52-54页 |
| ·生成神经网络 | 第54-55页 |
| ·神经网络训练 | 第55-56页 |
| ·小结 | 第56-57页 |
| 第七章 结论 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |
