| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-17页 |
| ·课题背景 | 第11-12页 |
| ·企业决策信息化辅助现状分析 | 第11页 |
| ·课题目的和意义 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·国内外对于时序数据挖掘的研究 | 第12-13页 |
| ·时序数据挖掘在企业内的应用 | 第13-14页 |
| ·本文研究内容 | 第14-15页 |
| ·研究内容 | 第14-15页 |
| ·拟解决的主要问题 | 第15页 |
| ·技术路线 | 第15页 |
| ·文章的结构 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 第二章 时间序列数据挖掘相关技术 | 第17-26页 |
| ·DM 技术与KDD 技术简介 | 第17-18页 |
| ·DM 技术与KDD 技术产生背景 | 第17页 |
| ·DM 技术和KDD 技术的相关概念 | 第17-18页 |
| ·时间序列数据的概念 | 第18-19页 |
| ·时序数据挖掘的主要技术 | 第19-23页 |
| ·数据预处理的主要技术 | 第19-21页 |
| ·数据挖掘的主要方法 | 第21-22页 |
| ·模式评估的主要技术 | 第22-23页 |
| ·神经网络技术在时间序列数据挖掘中的优势分析 | 第23-24页 |
| ·制造企业的时序性数据 | 第24页 |
| ·企业时序数据预测系统介绍 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 适合于神经网络的数据预处理方法 | 第26-34页 |
| ·时序数据类型和特征 | 第26-27页 |
| ·数据预处理的主要方法 | 第27-29页 |
| ·适合于神经网络的预处理方法 | 第29-30页 |
| ·数值型时序数据的归一化 | 第29页 |
| ·数值型时序数据的标准化 | 第29页 |
| ·本文中采用的预处理方法 | 第29-30页 |
| ·日期时间性数据的预处理 | 第30页 |
| ·本文中采用的方法与归一化方法对比分析 | 第30-32页 |
| ·归一化处理结果 | 第30-31页 |
| ·本文中采用的方法处理结果 | 第31-32页 |
| ·对比分析 | 第32页 |
| ·数据预处理存在的问题和解决办法 | 第32-33页 |
| ·数据预处理中存在的问题 | 第32页 |
| ·解决的办法 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于动态BP 神经网络的数据预测 | 第34-49页 |
| ·BP 神经网络简介 | 第34-37页 |
| ·神经网络基本简介 | 第34-35页 |
| ·BP 神经网络的基本算法 | 第35-37页 |
| ·时序数据预测的数学原理和模型 | 第37-38页 |
| ·数据预测的数学原理 | 第37-38页 |
| ·数据预测的模型 | 第38页 |
| ·基于对应点误差最小预测 | 第38-39页 |
| ·系统设计思想 | 第39-43页 |
| ·利用动态构造性方法原理实现动态BP 神经网络 | 第39页 |
| ·利用动态构造性方法实现BP 神经网络 | 第39页 |
| ·结合逐渐增元方法和灵敏度分析改善预测结果的理解和评估 | 第39-40页 |
| ·本文中实现动态BP 网络的步骤 | 第40-41页 |
| ·系统流程 | 第41-42页 |
| ·系统所采用的框架 | 第42-43页 |
| ·网络结构特征参数的确定 | 第43-44页 |
| ·系统实现的关键代码 | 第44-47页 |
| ·系统实现时注意问题和解决办法 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 系统验证和结果分析 | 第49-57页 |
| ·实验系统概述 | 第49页 |
| ·实例数据 | 第49-51页 |
| ·训练样本数据 | 第49-50页 |
| ·测试样本数据 | 第50页 |
| ·要预测的实际数据 | 第50-51页 |
| ·预测处理过程 | 第51-53页 |
| ·预测结果数据分析 | 第53-55页 |
| ·预测结果数据和实际数据对比 | 第53-55页 |
| ·结果分析 | 第55页 |
| ·进一步完善的工作 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 第六章 结束语 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 作者简介 | 第65页 |