数据挖掘技术在资源和环境监控预警系统下的应用研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-18页 |
| ·课题研究的背景 | 第10-11页 |
| ·国内外研究的现状 | 第11-16页 |
| ·监控预警系统的研究现状 | 第11页 |
| ·支持向量机研究现状 | 第11-12页 |
| ·神经网络研究现状 | 第12-14页 |
| ·遗传算法研究现状 | 第14-16页 |
| ·论文的研究工作 | 第16-17页 |
| ·论文结构 | 第17-18页 |
| 第二章 研究的理论基础 | 第18-41页 |
| ·支持向量机 | 第18-22页 |
| ·支持向量机回归算法 | 第18-21页 |
| ·支持向量机分类算法 | 第21-22页 |
| ·人工神经网络 | 第22-32页 |
| ·人工神经网络原理 | 第23-24页 |
| ·人工神经网络基本功能与特点 | 第24-25页 |
| ·人工神经网络的基本要素 | 第25-29页 |
| ·BP神经网络 | 第29-32页 |
| ·遗传算法 | 第32-35页 |
| ·遗传算法原理 | 第33-34页 |
| ·算法步骤 | 第34-35页 |
| ·MATLAB相关函数 | 第35-40页 |
| ·支持向量机相关函数 | 第35-36页 |
| ·B P 神经网络相关函数 | 第36-38页 |
| ·遗传算法相关函数 | 第38-40页 |
| ·本章小结 | 第40-41页 |
| 第三章 系统网络流量预测 | 第41-61页 |
| ·基于支持向量机的网络流量预测 | 第42-47页 |
| ·支持向量机预测模型 | 第42-43页 |
| ·支持向量机预测模型参数的选择 | 第43-45页 |
| ·支持向量机预测模型实例的分析 | 第45-47页 |
| ·基于神经网络的网络流量预测 | 第47-59页 |
| ·神经网络预测模型 | 第47-50页 |
| ·神经网络预测模型参数的选择 | 第50-52页 |
| ·基于遗传算法改进的神经网络预测模型 | 第52-53页 |
| ·神经网络预测模型实例的分析 | 第53-56页 |
| ·改进后的神经网络预测模型实例的分析 | 第56-59页 |
| ·结果对比分析 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第四章 系统异常诊断 | 第61-67页 |
| ·采集数据的预处理 | 第61-64页 |
| ·自适应加权算法应用于数据预处理 | 第61-64页 |
| ·其他方式数据预处理 | 第64页 |
| ·BP神经网络在系统异常诊断中的应用 | 第64-66页 |
| ·基于BP神经网络的异常诊断原理 | 第65页 |
| ·BP神经网络异常诊断参数的选择 | 第65-66页 |
| ·BP神经网络异常诊断实例的分析 | 第66页 |
| ·本章小结 | 第66-67页 |
| 第五章 资源和环境监控系统的设计与实现 | 第67-86页 |
| ·系统整体架构 | 第67页 |
| ·系统整体设计 | 第67-73页 |
| ·SMT监控管理中心 | 第70-71页 |
| ·SMT下级监控中心 | 第71-72页 |
| ·报警中心 | 第72-73页 |
| ·智能诊断与预测设计 | 第73页 |
| ·数据采集中心的设计 | 第73-77页 |
| ·数据采集控制模块 | 第74-75页 |
| ·环境设备状态信息采集子系统 | 第75页 |
| ·服务器设备监测子系统 | 第75-76页 |
| ·数据采集流程 | 第76-77页 |
| ·系统可扩展性设计 | 第77-80页 |
| ·监控系统有以下特色和创新点 | 第80-81页 |
| ·系统运行的效果展示 | 第81-85页 |
| ·本章小结 | 第85-86页 |
| 第六章 结论与展望 | 第86-88页 |
| ·主要工作及结论 | 第86-87页 |
| ·进一步展望 | 第87-88页 |
| 致谢 | 第88-89页 |
| 参考文献 | 第89-92页 |
