序列挖掘及其在证券分析中的应用
| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-8页 |
| 插图与附表清单 | 第8-11页 |
| 1 绪论 | 第11-23页 |
| 1．1 选题意义 | 第11-12页 |
| 1．2 我国证券分析软件的现状和发展方向 | 第12-13页 |
| 1．3 数据挖掘基本思想 | 第13-18页 |
| 1．3．1 数据挖掘和数据库知识发现定义 | 第14-15页 |
| 1．3．2 数据挖掘起源 | 第15-16页 |
| 1．3．3 数据挖掘分类 | 第16-18页 |
| 1．4 数据挖掘在证券分析中的应用 | 第18-20页 |
| 1．4．1 证券信息的特点 | 第18-20页 |
| 1．4．2 证券数据挖掘的发展现状 | 第20页 |
| 1．5 论文的主要研究内容和结构安排 | 第20-23页 |
| 2 数据挖掘研究 | 第23-42页 |
| 2．1 数据挖掘处理过程模型 | 第24-29页 |
| 2．1．1 处理过程模型介绍 | 第24-27页 |
| 2．1．2 实用于证券分析的简单处理模型 | 第27-29页 |
| 2．2 数据挖掘技术 | 第29-34页 |
| 2．2．1 人工神经网络 | 第29-30页 |
| 2．2．2 粗糙集理论 | 第30-31页 |
| 2．2．3 关联规则 | 第31-32页 |
| 2．2．4 进化计算 | 第32-34页 |
| 2．3 数据挖掘在证券分析中的应用 | 第34-35页 |
| 2．4 数据挖掘与相关学科的区别与联系 | 第35-36页 |
| 2．5 数据挖掘研究现状 | 第36-38页 |
| 2．6 数据挖掘产品简介 | 第38-41页 |
| 2．6．1 数据挖掘工具分类 | 第38-39页 |
| 2．6．2 数据挖掘工具实例 | 第39-41页 |
| 2．7 本章小结 | 第41-42页 |
| 3 基于云模型的时间序列形态表示 | 第42-51页 |
| 3．1 语义云模型 | 第42-47页 |
| 3．1．1 语义元素和隶属函数 | 第42-43页 |
| 3．1．2 语义云的概念 | 第43-44页 |
| 3．1．3 云的数字特性 | 第44-46页 |
| 3．1．4 基于云模型的形态概念树 | 第46-47页 |
| 3．2 基于云模型的时间序列形态表示的实现 | 第47-49页 |
| 3．3 价量序列的合并 | 第49页 |
| 3．4 讨论 | 第49-50页 |
| 3．5 本章小结 | 第50-51页 |
| 4 时间序列挖掘 | 第51-65页 |
| 4．1 时间序列相似性搜索 | 第52-58页 |
| 4．1．1 时间序列相似性搜索的相关定义 | 第52-54页 |
| 4．1．2 连续属性相似性搜索 | 第54-55页 |
| 4．1．3 离散属性相似性搜索 | 第55-58页 |
| 4．2 形态概念的子序列搜索模式 | 第58-63页 |
| 4．2．1 传统形态概念子序列搜索模式 | 第59-61页 |
| 4．2．2 证券形态概念子序列搜索模式 | 第61-63页 |
| 4．3 证券时间序列的挖掘 | 第63-64页 |
| 4．3．1 证券时间序列挖掘概述 | 第63页 |
| 4．3．2 中缀序列挖掘算法的基本思想 | 第63-64页 |
| 4．4 本章小结 | 第64-65页 |
| 5 证券价量时间序列的知识发现系统的设计实现 | 第65-82页 |
| 5．1 系统框架 | 第65-66页 |
| 5．2 数据库设计 | 第66-68页 |
| 5．2．1 元数据设计 | 第66-67页 |
| 5．2．2 目标数据设计 | 第67-68页 |
| 5．3 用户界面设计与实现 | 第68-70页 |
| 5．4 系统挖掘的实现过程 | 第70-74页 |
| 5．5 实验数据数据验证及模式评估 | 第74-81页 |
| 5．5．1 参数选择评估 | 第74-77页 |
| 5．5．2 模式评估 | 第77-81页 |
| 5．6 本章小结 | 第81-82页 |
| 6 结论 | 第82-84页 |
| 致谢 | 第84-85页 |
| 主要参考文献 | 第85-87页 |
| 附录 | 第87页 |
