| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究的背景与意义 | 第9页 |
| 1.2 能源优化调度研究现状 | 第9-12页 |
| 1.2.1 能源优化调度 | 第9-10页 |
| 1.2.2 高能耗行业的能源优化调度现状 | 第10页 |
| 1.2.3 大型建筑的能源优化调度现状 | 第10-12页 |
| 1.2.4 机场的能源优化调度现状 | 第12页 |
| 1.3 基于数据挖掘的机场能源优化调度 | 第12-13页 |
| 1.4 论文主要工作与结构安排 | 第13-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 机场数据获取与预处理 | 第16-30页 |
| 2.1 机场数据的选取 | 第16页 |
| 2.2 机场数据的获取 | 第16-22页 |
| 2.2.1 航班数据的获取 | 第16页 |
| 2.2.2 电能数据的获取 | 第16-22页 |
| 2.3 数据预处理 | 第22-29页 |
| 2.3.1 数据抽取 | 第23-24页 |
| 2.3.2 数据清洗 | 第24-28页 |
| 2.3.3 数据标准化 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于K-means与Apriori算法的机场数据挖掘 | 第30-53页 |
| 3.1 聚类挖掘 | 第30-31页 |
| 3.1.1 机场数据聚类 | 第30页 |
| 3.1.2 聚类中的数据结构 | 第30-31页 |
| 3.1.3 聚类中相似性的度量 | 第31页 |
| 3.2 K-means算法 | 第31-34页 |
| 3.2.1 K-means算法介绍 | 第32-33页 |
| 3.2.2 K-means算法算法缺陷 | 第33-34页 |
| 3.3 K-means算法的改进 | 第34-42页 |
| 3.3.1 去除孤立点 | 第34页 |
| 3.3.2 初始中心的选取 | 第34-37页 |
| 3.3.3 改进K-means算法验证 | 第37-42页 |
| 3.4 基于改进K-means算法的机场数据聚类 | 第42-46页 |
| 3.5 基于Apriori算法的关联规则挖掘 | 第46-52页 |
| 3.5.1 Apriori算法 | 第47-48页 |
| 3.5.2 数据预处理 | 第48-50页 |
| 3.5.3 基于Apriori算法的相关性分析 | 第50-51页 |
| 3.5.4 结果评估 | 第51-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第四章 机场照明用电的优化调度 | 第53-69页 |
| 4.1 照明标准 | 第53-57页 |
| 4.1.1 基本光度单位 | 第53-56页 |
| 4.1.2 照明标准值要求 | 第56-57页 |
| 4.2 机场照明优化调度 | 第57-61页 |
| 4.2.1 机场照明分类 | 第57-58页 |
| 4.2.2 机场照明控制策略 | 第58页 |
| 4.2.3 模糊控制器 | 第58-60页 |
| 4.2.4 隶属度函数 | 第60-61页 |
| 4.3 机场交通岛照明控制实例 | 第61-67页 |
| 4.3.1 交通岛照明模式 | 第61-64页 |
| 4.3.2 交通岛模糊控制器设计 | 第64-67页 |
| 4.4 本章小结 | 第67-69页 |
| 第五章 总结与展望 | 第69-70页 |
| 5.1 本文的工作总结 | 第69页 |
| 5.2 进一步展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 作者简介 | 第74页 |