| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 第一节 研究背景及意义 | 第10-12页 |
| 一、研究背景 | 第10-11页 |
| 二、研究意义 | 第11-12页 |
| 第二节 国内外研究现状 | 第12-13页 |
| 第三节 论文研究内容 | 第13-14页 |
| 第四节 论文结构安排 | 第14-16页 |
| 第二章 现有的成绩数据处理模式与大数据相关技术 | 第16-19页 |
| 第一节 成绩数据处理模式 | 第16-17页 |
| 第二节 大数据相关知识 | 第17-19页 |
| 第三章 模糊聚类分析 | 第19-29页 |
| 第一节 基础知识 | 第19-20页 |
| 第二节 模糊聚类分析的一般步骤 | 第20-26页 |
| 一、对象数据的标准化 | 第20-21页 |
| 二、标定(建立模糊相似矩阵) | 第21-25页 |
| 三、聚类 | 第25-26页 |
| 第三节 模糊c均值聚类 | 第26-27页 |
| 第四节 K-means聚类 | 第27-28页 |
| 第五节 R语言 | 第28-29页 |
| 第四章 基于t-范数族T(r)的模糊推理系统 | 第29-35页 |
| 第一节 t-范数 | 第29-31页 |
| 第二节 模糊推理模型 | 第31-32页 |
| 第三节 [0,1]上的一族t-范数T(r) | 第32-33页 |
| 第四节 基于t-范数T(r)的模糊推理系统的性能分析 | 第33-35页 |
| 第五章 基于模糊推理模型的中学生成绩分析的实现 | 第35-51页 |
| 第一节 数据准备 | 第35-37页 |
| 一、数据预处理 | 第35页 |
| 二、成绩的描述性统计 | 第35-37页 |
| 第二节 成绩档次分类 | 第37页 |
| 第三节 模糊聚类 | 第37-44页 |
| 一、整体数据进行聚类 | 第38页 |
| 二、类别Ⅰ、Ⅱ、Ⅲ、Ⅳ的各自特征 | 第38-40页 |
| 三、相互之间的类别差异 | 第40-42页 |
| 四、特殊人群 | 第42-44页 |
| 第四节 学生两年的类别数的变化值 | 第44-46页 |
| 第五节 类与班级的关系 | 第46-47页 |
| 第六节 对全体学生的类别数字列向量进行智能推理 | 第47-51页 |
| 一、模糊推理 | 第47-48页 |
| 二、多元回归分析 | 第48-49页 |
| 三、分析推理结果,提出建议 | 第49-51页 |
| 第六章 总结与展望 | 第51-52页 |
| 参考文献 | 第52-54页 |
| 附录 | 第54-93页 |
| 附录一 处理结果展示 | 第54-64页 |
| 附录二 原始数据展示 | 第64-93页 |
| 致谢 | 第93页 |