数据挖掘在税务系统的应用与研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第8-9页 |
| 第1章 绪论 | 第9-11页 |
| 1.1 课题研究背景 | 第9页 |
| 1.2 国内外现状 | 第9-10页 |
| 1.3 小结 | 第10-11页 |
| 第2章 数据仓库技术 | 第11-17页 |
| 2.1 数据仓库概述 | 第11-15页 |
| 2.1.1 数据库与数据仓库 | 第11-12页 |
| 2.1.2 数据仓库的特点 | 第12-13页 |
| 2.1.3 数据仓库体系结构 | 第13-14页 |
| 2.1.4 数据仓库的设计步骤 | 第14-15页 |
| 2.2 数据仓库技术在本系统的应用 | 第15页 |
| 2.3 小结 | 第15-17页 |
| 第3章 税收与数据挖掘技术 | 第17-29页 |
| 3.1 税收概述 | 第17-18页 |
| 3.1.1 增值税与企业所得税 | 第17-18页 |
| 3.1.2 纳税总额 | 第18页 |
| 3.2 数据挖掘概述 | 第18页 |
| 3.3 数据挖掘的流程 | 第18-19页 |
| 3.4 数据挖掘的方法 | 第19-22页 |
| 3.5 聚类挖掘 | 第22-27页 |
| 3.5.1 聚类中的数据结构 | 第22-23页 |
| 3.5.2 数据标准化 | 第23-24页 |
| 3.5.3 相似度计算 | 第24-25页 |
| 3.5.4 聚类准则函数 | 第25-27页 |
| 3.6 数据挖掘技术在本系统的应用 | 第27页 |
| 3.7 小结 | 第27-29页 |
| 第4章 基于最大最小距离的K-Means算法 | 第29-38页 |
| 4.1 K-Means算法 | 第29-32页 |
| 4.1.1 K-Means算法简介 | 第29页 |
| 4.1.2 K-Means算法优缺点 | 第29-32页 |
| 4.2 最大最小距离算法 | 第32-34页 |
| 4.3 基于最大最小距离的K-Means算法 | 第34-37页 |
| 4.4 小结 | 第37-38页 |
| 第5章 系统设计及实现 | 第38-58页 |
| 5.1 技术框架介绍 | 第38-39页 |
| 5.2 系统需求分析 | 第39-41页 |
| 5.2.1 数据收集 | 第40页 |
| 5.2.2 数据预处理 | 第40页 |
| 5.2.3 数据挖掘 | 第40-41页 |
| 5.2.4 结果分析 | 第41页 |
| 5.3 数据库设计 | 第41-44页 |
| 5.4 系统实现及结果分析 | 第44-57页 |
| 5.4.1 数据导入 | 第44-45页 |
| 5.4.2 增值税、企业所得税数据预处理 | 第45-47页 |
| 5.4.3 增值税、企业所得税聚类分析 | 第47-52页 |
| 5.4.4 纳税总额数据预处理 | 第52-53页 |
| 5.4.5 纳税总额聚类分析 | 第53-57页 |
| 5.5 小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 导师简介 | 第63-64页 |
| 作者简介 | 第64-65页 |
| 学位论文数据集 | 第65页 |
