基于神经网络的数据挖掘方法研究
| 前言 | 第1-14页 |
| 第一章 数据挖掘 | 第14-18页 |
| 1．1 数据挖掘的提出与发展 | 第14-15页 |
| 1．2 国内研究现状 | 第15页 |
| 1．3 数据挖掘的理论基础 | 第15-16页 |
| 1．4 数据挖掘系统的组成 | 第16-17页 |
| 1．5 数据挖掘的发展趋势 | 第17-18页 |
| 第二章 人工神经网络 | 第18-26页 |
| 2．1 基本原理 | 第18-22页 |
| 2．1．1 神经元的生物学解剖 | 第18-19页 |
| 2．1．2 神经元的信息处理与传递 | 第19-20页 |
| 2．1．3 人工神经元模型 | 第20-21页 |
| 2．1．4 神经网络的基本原理 | 第21页 |
| 2．1．5 神经网络信息处理的基本特性 | 第21-22页 |
| 2．2 神经网络的学习过程及主要算法 | 第22-23页 |
| 2．3 几种神经网络模型 | 第23-26页 |
| 2．3．1 误差逆传播神经网络 | 第23页 |
| 2．3．2 Hopfield神经网络 | 第23页 |
| 2．3．3 随机型神经网络 | 第23-24页 |
| 2．3．4 竞争型神经网络 | 第24页 |
| 2．3．5 自组织特征映射神经网络 | 第24页 |
| 2．3．6 对向传播神经网络 | 第24-26页 |
| 第三章 基于神经网络数据挖掘方法研究 | 第26-40页 |
| 3．1 神经网络数据挖掘方法中的数据准备 | 第26-29页 |
| 3．1．1 数据清洗与选择 | 第26页 |
| 3．1．2 数据预处理 | 第26-27页 |
| 3．1．3 数据表示及其对训练时间的影响 | 第27-28页 |
| 3．1．4 数据集管理 | 第28-29页 |
| 3．2 基于神经网络的分类决策树构造 | 第29-32页 |
| 3．2．1 分类决策树的构造算法 | 第29-31页 |
| 3．2．2 关系强化约束与建模 | 第31-32页 |
| 3．3 基于神经网络的分类与预测 | 第32-35页 |
| 3．3．1 分类与预测基本知识 | 第32页 |
| 3．3．2 前向神经网络模型 | 第32-33页 |
| 3．3．3 误差反向传播（BP）算法 | 第33-35页 |
| 3．4 基于神经网络的关联规则挖掘 | 第35-38页 |
| 3．4．1 IAC网络及其模型 | 第35-36页 |
| 3．4．2 求解过程 | 第36-38页 |
| 3．5 基于自组织神经网络的聚类分析 | 第38-40页 |
| 3．5．1 自组织神经网络拓扑结构 | 第38页 |
| 3．5．2 网络自组织算法 | 第38-39页 |
| 3．5．3 竞争学习算法 | 第39页 |
| 3．5．4 有教师学习算法 | 第39-40页 |
| 第四章 数据挖掘系统设计与实现 | 第40-44页 |
| 4．1 开发环境与开发工具 | 第40-41页 |
| 4．1．1 系统开发环境 | 第40页 |
| 4．1．2 SqlServer2000简介 | 第40页 |
| 4．1．3 Delphi5．0简介 | 第40-41页 |
| 4．2 系统设计与实现 | 第41-44页 |
| 第五章 基于数据挖掘方法的水淹层识别 | 第44-48页 |
| 5．1 水淹层解释使用的数据库 | 第44-45页 |
| 5．2 水淹层模式特征选择与数据清洗 | 第45-46页 |
| 5．2．1 水淹层模式特征选择 | 第45-46页 |
| 5．2．2 数据清洗 | 第46页 |
| 5．2．3 水淹层标准模式库的建立 | 第46页 |
| 5．3 水淹层解释关联规则的提取和分类决策 | 第46-48页 |
| 5．3．1 神经网络模型和学习算法 | 第46-47页 |
| 5．3．2 实际资料处理 | 第47-48页 |
| 结束语 | 第48-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-52页 |
| 附录 读研期间发表的论文 | 第52页 |
