| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-16页 |
| 1．1 引言 | 第9-10页 |
| 1．2 数据挖掘的产生及其发展现状 | 第10-14页 |
| 1．2．1 数据挖掘的步骤 | 第11-12页 |
| 1．2．2 数据挖掘的体系结构 | 第12-13页 |
| 1．2．3 数据挖掘的常用算法及技术 | 第13-14页 |
| 1．3 人工神经网络的提出 | 第14-15页 |
| 1．4 论文组织结构 | 第15-16页 |
| 第2章 人工神经网络理论 | 第16-26页 |
| 2．1 人工神经网络技术发展综述 | 第16-17页 |
| 2．1．1 发展历程 | 第16-17页 |
| 2．1．2 应用领域 | 第17页 |
| 2．2 人工神经网络的基础理论 | 第17-26页 |
| 2．2．1 生物神经元模型 | 第17-18页 |
| 2．2．2 人工神经元模型 | 第18-20页 |
| 2．2．3 主要的神经网络模型 | 第20-23页 |
| 2．2．4 神经网络的主要学习算法 | 第23-26页 |
| 第3章 误差反向传播(BP)网络模型 | 第26-38页 |
| 3．1 BP网络概述 | 第26-32页 |
| 3．1．1 Delta学习规则的基本原理 | 第26-27页 |
| 3．1．2 BP网络的结构 | 第27-28页 |
| 3．1．3 标准BP网络的学习算法 | 第28-30页 |
| 3．1．4 标准BP网络的工作过程 | 第30-32页 |
| 3．2 数据挖掘中应用BP神经网络的基本步骤 | 第32-36页 |
| 3．2．1 训练样本数据的预处理 | 第32-34页 |
| 3．2．2 BP神经网络的结构设计 | 第34-35页 |
| 3．2．3 BP神经网络初始权值的设计 | 第35-36页 |
| 3．2．4 网络训练与测试 | 第36页 |
| 3．3 BP模型存在的局限性 | 第36-38页 |
| 第4章 基于BP神经网络的改进算法和结构优化策略 | 第38-50页 |
| 4．1 基于BP神经网络的改进算法 | 第38-45页 |
| 4．1．1 基于梯度下降的改进算法 | 第38-41页 |
| 4．1．2 基于数值优化的改进算法 | 第41-43页 |
| 4．1．3 BP神经网络与其他理论相结合的改进算法 | 第43-45页 |
| 4．2 基于BP神经网络的结构优化策略 | 第45-50页 |
| 4．2．1 神经网络结构构造方法 | 第46-48页 |
| 4．2．2 神经网络结构剪枝方法 | 第48-50页 |
| 第5章 基于BP改进算法的人工神经网络在海关税收管理中的应用 | 第50-65页 |
| 5．1 海关税收征管评估分析的提出及其背景 | 第50-52页 |
| 5．2 问题分析及其解决方案 | 第52-53页 |
| 5．3 基于改进BP神经网络的海关税收预测模型建立 | 第53-58页 |
| 5．3．1 样本数据预处理 | 第53-56页 |
| 5．3．2 网络结构设计 | 第56-57页 |
| 5．3．3 初始权值设计 | 第57页 |
| 5．3．4 网络训练与测试 | 第57-58页 |
| 5．4 用VC++．NET实现海关税收预测模型 | 第58-62页 |
| 5．5 模型预测能力的对比分析 | 第62-65页 |
| 第6章 结论和展望 | 第65-68页 |
| 参考文献 | 第68-72页 |
| 攻读学位期间公开发表的论文 | 第72-73页 |
| 致谢 | 第73页 |
