基于数据挖掘的城市小区负荷同时系数研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 选题的目的及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 负荷同时系数选取方法 | 第10-11页 |
| 1.2.2 数据挖掘技术 | 第11页 |
| 1.2.3 软件系统 | 第11页 |
| 1.3 本文的主要工作 | 第11-13页 |
| 第2章 数据预处理及聚类分析 | 第13-30页 |
| 2.1 数据挖掘技术基础理论 | 第13-15页 |
| 2.1.1 数据挖掘的基本概念 | 第13页 |
| 2.1.2 数据挖掘技术过程 | 第13-14页 |
| 2.1.3 K-means 聚类算法 | 第14页 |
| 2.1.4 最佳聚类数有效性评价指标 | 第14-15页 |
| 2.2 影响因素指标体系的建立 | 第15-19页 |
| 2.2.1 小区负荷同时系数主要影响因素分析 | 第16-18页 |
| 2.2.2 小区负荷同时系数影响因素指标体系 | 第18-19页 |
| 2.3 数据预处理 | 第19-25页 |
| 2.3.1 算例介绍及实地数据收集 | 第19-23页 |
| 2.3.2 模糊隶属函数的建立 | 第23-25页 |
| 2.3.3 指标标准化 | 第25页 |
| 2.4 小区样本集 K-means 聚类模式分析 | 第25-29页 |
| 2.4.1 样本集聚类曲线的图像分析 | 第25-28页 |
| 2.4.2 样本集聚类有效性指标分析 | 第28页 |
| 2.4.3 聚类模式评价 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 负荷同时系数预测模型研究 | 第30-41页 |
| 3.1 人工神经网络模型 | 第30-31页 |
| 3.1.1 BP 神经网络模型 | 第30-31页 |
| 3.1.2 Elman 动态神经网络模型 | 第31页 |
| 3.2 负荷同时系数预测模型的建立 | 第31-33页 |
| 3.2.1 神经网络的输入向量与输出向量 | 第32-33页 |
| 3.2.2 神经网络参数设定 | 第33页 |
| 3.2.3 神经网络模型的程序流程图 | 第33页 |
| 3.3 负荷同时系数预测模型的求解 | 第33-40页 |
| 3.3.1 训练样本的负荷同时系数仿真分析 | 第33-38页 |
| 3.3.2 预测样本的负荷同时系数预测分析 | 第38页 |
| 3.3.3 模型优劣性分析 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 负荷同时系数选取系统的具体设计 | 第41-49页 |
| 4.1 设计思想 | 第41-43页 |
| 4.1.1 需求概述 | 第41页 |
| 4.1.2 运行环境 | 第41页 |
| 4.1.3 系统框架 | 第41-43页 |
| 4.2 系统开发环境介绍 | 第43-45页 |
| 4.2.1 WPF 介绍 | 第43页 |
| 4.2.2 MVVM 设计模式 | 第43-44页 |
| 4.2.3 MVVMlight 框架 | 第44-45页 |
| 4.3 数据库设计 | 第45-48页 |
| 4.3.1 数据库清单列表 | 第45页 |
| 4.3.2 数据库具体表设计 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 负荷同时系数选取系统的功能实现 | 第49-59页 |
| 5.1 功能模块 | 第49页 |
| 5.2 应用流程 | 第49-50页 |
| 5.3 功能模块的实现 | 第50-58页 |
| 5.3.1 用户管理模块 | 第50-52页 |
| 5.3.2 权限管理模块 | 第52页 |
| 5.3.3 数据管理模块 | 第52-56页 |
| 5.3.4 聚类分析模块 | 第56页 |
| 5.3.5 同时系数预测模块 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第6章 结论与展望 | 第59-60页 |
| 6.1 结论 | 第59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第63-64页 |
| 致谢 | 第64页 |
