| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-14页 |
| ·论文的研究背景 | 第8-9页 |
| ·数据挖掘与数据库技术的研究现状 | 第9-10页 |
| ·企业客户端的研究现状 | 第10-12页 |
| ·企业数据挖掘的发展前景 | 第12-13页 |
| ·论文的研究内容与方法 | 第13-14页 |
| 第二章 相关理论分析 | 第14-28页 |
| ·数据挖掘 | 第14-18页 |
| ·数据挖掘的过程 | 第14-17页 |
| ·数据挖掘的分类 | 第17-18页 |
| ·判定树 | 第18-21页 |
| ·RBF 神经网络 | 第21-26页 |
| ·网络的函数逼近原理与插值问题 | 第21-22页 |
| ·网络的拓扑结构 | 第22-25页 |
| ·网络的学习算法 | 第25-26页 |
| ·聚类分析 | 第26-28页 |
| ·聚类算法的特征 | 第26-27页 |
| ·聚类算法的分类 | 第27-28页 |
| 第三章 SaaS 平台下的智能客户端的研究与设计 | 第28-35页 |
| ·智能客户端技术概述 | 第28-29页 |
| ·智能客户端的分类 | 第29-30页 |
| ·智能客户端的系统结构 | 第30-31页 |
| ·智能客户端采用的关键技术 | 第31-34页 |
| ·安全验证技术 | 第32-33页 |
| ·在线和离线数据处理技术 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 算法的设计与实验测试 | 第35-50页 |
| ·WEKA 平台简介 | 第35-40页 |
| ·WEKA 的系统结构 | 第35-37页 |
| ·WEKA 平台的功能模块 | 第37-39页 |
| ·WEKA 平台的数据挖掘过程 | 第39-40页 |
| ·基于k-d 树改进的k-均值聚类算法的设计与实验测试 | 第40-46页 |
| ·k-均值聚类算法 | 第40-41页 |
| ·k-均值聚类算法过程 | 第41页 |
| ·改进的k-均值聚类算法 | 第41-43页 |
| ·实验测试 | 第43-46页 |
| ·改进的 RBF 神经网络的设计与实验测试 | 第46-50页 |
| ·改进的 RBF 神经网络的研究 | 第46-47页 |
| ·改进的 RBF 神经网络的构造方法 | 第47-48页 |
| ·实验测试 | 第48-50页 |
| 第五章 智能算法在企业数据挖掘中的应用 | 第50-62页 |
| ·改进的自组织学习 RBFNN 在客户流失建模中的应用 | 第50页 |
| ·客户流失预测建模 | 第50-51页 |
| ·移动通信业流失分析的数据挖掘应用 | 第51-61页 |
| ·客户流失之数据准备 | 第51-53页 |
| ·客户流失之建立模型 | 第53-56页 |
| ·客户流失之主要结果图 | 第56-57页 |
| ·客户流失之模型评估 | 第57-61页 |
| ·本章小结 | 第61-62页 |
| 第六章 结论 | 第62-63页 |
| ·全文总结 | 第62页 |
| ·未来工作展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 发表论文和参加科研情况说明 | 第66-67页 |
| 致谢 | 第67页 |