| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-12页 |
| 1.1 论文的研究背景及选题意义 | 第7-8页 |
| 1.2 国内外现状综述 | 第8-10页 |
| 1.3 论文研究的内容及组织 | 第10-12页 |
| 2 数据挖掘中的人工神经网络技术 | 第12-20页 |
| 2.1 数据挖掘技术简介 | 第12-16页 |
| 2.1.1 数据挖掘的定义 | 第12页 |
| 2.1.2 数据挖掘的任务及相关技术 | 第12-13页 |
| 2.1.3 数据挖掘的常用算法 | 第13-15页 |
| 2.1.4 数据挖掘的应用 | 第15-16页 |
| 2.2 数据挖掘中人工神经网络的数学模型 | 第16-19页 |
| 2.2.1 神经网络的定义 | 第16-17页 |
| 2.2.2 神经网络在数据挖掘中的常用模型 | 第17-19页 |
| 2.3 小结 | 第19-20页 |
| 3 BP算法及改进 | 第20-29页 |
| 3.1 标准BP算法 | 第20-23页 |
| 3.1.1 BP算法的思想 | 第3820-20页 |
| 3.1.2 BP算法的数学描述 | 第20-23页 |
| 3.2 BP算法的不足 | 第23-24页 |
| 3.3 BP算法的若干改进 | 第24-28页 |
| 3.4 小结 | 第28-29页 |
| 4 BP算法的并行化 | 第29-44页 |
| 4.1 BP算法并行策略 | 第29-31页 |
| 4.1.1 按层分配神经元 | 第29-30页 |
| 4.1.2 横向分配神经元 | 第30页 |
| 4.1.3 按训练集分配神经元 | 第30-31页 |
| 4.1.4 Systolic阵列并行算法、波前阵列并行算法 | 第31页 |
| 4.2 二次并行搜索策略 | 第31-40页 |
| 4.2.1 BP算法的缺陷分析 | 第31-32页 |
| 4.2.2 界定全局最小极值区域 | 第32-34页 |
| 4.2.3 二次并行搜索BP算法 | 第34-40页 |
| 4.3 并行算法的评估分析 | 第40-43页 |
| 4.3.1 数值实验问题描述 | 第40页 |
| 4.3.2 并行执行时间 | 第40-41页 |
| 4.3.3 性能评价 | 第41-43页 |
| 4.4 小结 | 第43-44页 |
| 5 神经网络预测模型及实现方法 | 第44-50页 |
| 5.1 人工神经网络在商业行为趋势预测分析领域的应用 | 第44页 |
| 5.2 BP网络预测模型 | 第44-48页 |
| 5.2.1 训练样本的选择与预处理 | 第44-46页 |
| 5.2.2 网络拓扑结构的确定 | 第46-48页 |
| 5.3 预测系统及结果分析 | 第48-49页 |
| 5.3.1 实验环境 | 第48页 |
| 5.3.2 预测系统设计及结果分析 | 第48-49页 |
| 5.4 小结 | 第49-50页 |
| 6 论文的总结 | 第50-52页 |
| 6.1 论文的主要工作 | 第50-51页 |
| 6.2 进一步努力的方向 | 第51-52页 |
| 致 谢 | 第52-53页 |
| 参考文献 | 第53-56页 |