| 一 引言 | 第1-13页 |
| (一) 研究背景 | 第9-10页 |
| (二) 发展概况 | 第10-11页 |
| (三) 预测存在的问题 | 第11页 |
| (四) 本文的工作 | 第11-13页 |
| 二 挖掘的基本原理与方法 | 第13-25页 |
| (一) 数据挖掘的基本原理 | 第13-16页 |
| 1 数据挖掘的功能 | 第14-16页 |
| (二) 数据挖掘的方法 | 第16-18页 |
| 1 聚类分析方法比较 | 第16-18页 |
| 2 神经网络方法介绍 | 第18页 |
| (1) 神经网络的结构 | 第18-19页 |
| (2) 神经网络的学习方式 | 第19-20页 |
| (3) 神经网络的学习算法 | 第20-21页 |
| (4) 神经网络学习与自适应问题 | 第21-22页 |
| (三) 数据挖掘的主要软件工具 | 第22-24页 |
| 1 Matlab工具箱 | 第22-23页 |
| 2 Poly Analyst(PA)简介 | 第23页 |
| 3 SQL Server 2000简介 | 第23页 |
| 4 其他数据挖掘软件介绍 | 第23-24页 |
| (四) 本章小结 | 第24-25页 |
| 三 基于聚类分析的DM方法 | 第25-34页 |
| (一) 概述 | 第25页 |
| (二) 基于密度的聚类分析算法 | 第25-26页 |
| (三) 复合聚类分析算法 | 第26-28页 |
| (四) k-means和自组织神经网络结合的聚类算法 | 第28-31页 |
| (五) 改进的复合聚类分析算法 | 第31-34页 |
| 1 复合聚类方法改进的原因 | 第31页 |
| 2 改进的复合聚类分析算法描述 | 第31-33页 |
| 3 小结 | 第33-34页 |
| 四 基于ANN的DM方法 | 第34-53页 |
| (一) 概述 | 第34页 |
| (二) 基于ANN的时序预测模型 | 第34-40页 |
| 1 基于ANN的预测模型的基本结构与数学描述 | 第35页 |
| 2 基于反馈神经网络的预测模型 | 第35-37页 |
| 3 DRNN网络结构 | 第37-40页 |
| (三) 一种基于并行递归神经网络的多维预测模型 | 第40-53页 |
| 1 PDRNN模型的提出 | 第40-41页 |
| 2 基于PDRNN网络的预测模型结构 | 第41-42页 |
| 3 基于PDRNN模型的数学描述 | 第42-44页 |
| 4 基于PDRNN模型的并行学习算法 | 第44-45页 |
| 5 基于PDRNN模型的学习流程 | 第45-47页 |
| 6 输入调正法 | 第47页 |
| 7 基于PDRNN的多维预测结果 | 第47-52页 |
| 8 小结 | 第52-53页 |
| 五 基于ANN的DM方法在GIS中的应用 | 第53-64页 |
| (一) GIS简介 | 第53-55页 |
| 1 地理信息系统基本概念 | 第53页 |
| 2 GIS系统的构成 | 第53-54页 |
| 3 GIS的功能 | 第54-55页 |
| (二) GIS在航海中的应用 | 第55-56页 |
| 1 GPS在海洋测绘中的应用 | 第55页 |
| 2 用GPS定位技术进行高精度海洋定位 | 第55-56页 |
| (三) 基于ANN的DM方法在GIS中的应用 | 第56-62页 |
| 1 航线设计 | 第57-60页 |
| 2 航线设计流程 | 第60-61页 |
| 3 航线设计的结论 | 第61-62页 |
| (四) 多维预测方法在GIS中的应用 | 第62-64页 |
| 六 结论与展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68页 |