基于数据挖掘的数据清洗及其评估模型的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-12页 |
| 1.2 数据质量 | 第12-13页 |
| 1.2.1 数据质量评估指标 | 第12页 |
| 1.2.2 数据质量问题分类 | 第12-13页 |
| 1.3 数据清洗定义 | 第13-14页 |
| 1.3.1 数据清洗在数据仓库中的含义 | 第13页 |
| 1.3.2 数据清洗在数据挖掘中的含义 | 第13-14页 |
| 1.3.3 数据清洗在数据信息质量管理中的含义 | 第14页 |
| 1.4 数据清洗技术的国内外研究现状 | 第14-17页 |
| 1.4.1 国外研究现状 | 第14-16页 |
| 1.4.2 国内研究现状 | 第16-17页 |
| 1.5 本文的研究内容与章节安排 | 第17-18页 |
| 第二章 数据挖掘与异常检测 | 第18-28页 |
| 2.1 数据挖掘 | 第18-21页 |
| 2.1.1 数据挖掘简介 | 第18-19页 |
| 2.1.2 数据挖掘的特点 | 第19页 |
| 2.1.3 数据挖掘的常用方法 | 第19-20页 |
| 2.1.4 数据挖掘的一般步骤 | 第20-21页 |
| 2.2 数据挖掘的典型方法和应用 | 第21-23页 |
| 2.2.1 异常检测 | 第21-22页 |
| 2.2.2 关联规则挖掘 | 第22页 |
| 2.2.3 分类 | 第22页 |
| 2.2.4 聚类 | 第22-23页 |
| 2.3 数据挖掘面临的挑战 | 第23-24页 |
| 2.4 异常检测 | 第24-27页 |
| 2.4.1 异常检测简介 | 第24页 |
| 2.4.2 异常检测的主要技术难点 | 第24-25页 |
| 2.4.3 异常检测的主要方法 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于统计学的电力数据清洗方法 | 第28-44页 |
| 3.1 相关工作 | 第28-29页 |
| 3.1.1 统计学相关知识 | 第28页 |
| 3.1.2 卡方检验 | 第28-29页 |
| 3.2 电网数据清洗框架 | 第29-32页 |
| 3.2.1 电力网络 | 第30-31页 |
| 3.2.2 量测设备 | 第31页 |
| 3.2.3 状态估计 | 第31-32页 |
| 3.3 电网数据清洗算法 | 第32-34页 |
| 3.3.1 牛顿-拉夫逊潮流算法 | 第32页 |
| 3.3.2 WLS状态估计算法 | 第32-34页 |
| 3.3.3 卡方检测异常值算法 | 第34页 |
| 3.4 实验结果 | 第34-42页 |
| 3.4.1 数据集 | 第34-38页 |
| 3.4.2 电力参数的状态估计 | 第38-42页 |
| 3.4.3 实验结果分析 | 第42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 基于密度聚类的GPS数据清洗方法 | 第44-62页 |
| 4.1 相关工作 | 第44-45页 |
| 4.1.1 异常检测 | 第44页 |
| 4.1.2 基于密度的聚类 | 第44-45页 |
| 4.2 基于密度聚类的数据清洗框架 | 第45-47页 |
| 4.2.1 缺失数据处理 | 第46页 |
| 4.2.2 特征选择 | 第46页 |
| 4.2.3 密度特征提取 | 第46-47页 |
| 4.2.4 异常检测 | 第47页 |
| 4.3 基于密度特征的聚类算法 | 第47-51页 |
| 4.3.1 DBSCAN算法 | 第47-50页 |
| 4.3.2 LOF算法 | 第50-51页 |
| 4.4 实验结果及评估 | 第51-60页 |
| 4.4.1 数据集 | 第51-54页 |
| 4.4.2 模型评估指标 | 第54页 |
| 4.4.3 实验结果以及模型评估 | 第54-59页 |
| 4.4.4 数据体量对运行时间的影响 | 第59-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 论文总结 | 第62页 |
| 5.2 下一步工作 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 攻读学位期间发表的学术论文 | 第70页 |
