| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 相关国内外研究 | 第10-12页 |
| 1.2.1 国外研究 | 第10-11页 |
| 1.2.2 国内研究 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-15页 |
| 第二章 决策支持系统与数据挖掘算法概述 | 第15-29页 |
| 2.1 决策支持系统概述 | 第15-16页 |
| 2.2 决策支持系统中的数据仓库 | 第16-19页 |
| 2.3 传统决策支持系统的弊端 | 第19-21页 |
| 2.4 数据挖掘算法综述 | 第21-29页 |
| 2.4.1 数据挖掘算法概述 | 第21-23页 |
| 2.4.2 数据挖掘算法类型 | 第23-29页 |
| 第三章 基于信息熵的蚁群聚类算法在 DSS 中的改进 | 第29-44页 |
| 3.1 蚁群聚类算法原理 | 第29-30页 |
| 3.2 蚁群聚类算法综述 | 第30-33页 |
| 3.3 蚁群聚类算法过程 | 第33-38页 |
| 3.3.1 蚂蚁觅食行为原理 | 第33-36页 |
| 3.3.2 算法关键代码 | 第36-38页 |
| 3.4 信息熵的引入 | 第38-44页 |
| 3.4.1 信息熵概念与公式 | 第39-41页 |
| 3.4.2 基于信息熵的蚁群聚类算法改进思想 | 第41-42页 |
| 3.4.3 算法改进思想分析 | 第42-44页 |
| 第四章 基于信息熵的蚁群聚类算法在 DDS 中的应用 | 第44-53页 |
| 4.1 DDS 实例 | 第44-47页 |
| 4.1.1 电子商务网站浏览路径分析 | 第44-45页 |
| 4.1.2 浏览路径聚类思路过程表 | 第45-47页 |
| 4.2 客户数据的预处理 | 第47-48页 |
| 4.3 算法实现步骤 | 第48-50页 |
| 4.4 聚类结果分析 | 第50-53页 |
| 第五章 结论与展望 | 第53-55页 |
| 5.1 结论 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60页 |