| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 关联分析算法现状 | 第10-11页 |
| 1.2.2 回归预测算法现状 | 第11-12页 |
| 1.3 论文的主要工作和组织结构 | 第12-15页 |
| 第二章 关键技术 | 第15-25页 |
| 2.1 关联分析算法 | 第15-18页 |
| 2.1.1 关联分析算法的概念及定义 | 第15-16页 |
| 2.1.2 关联分析算法挖掘步骤 | 第16-17页 |
| 2.1.3 典型的关联分析算法比较 | 第17-18页 |
| 2.2 典型的分类预测算法 | 第18-23页 |
| 2.2.1 K近邻算法 | 第18-19页 |
| 2.2.2 支持向量机 | 第19页 |
| 2.2.3 人工神经网络算法 | 第19-22页 |
| 2.2.4 性能分析 | 第22-23页 |
| 2.3 本章小结 | 第23-25页 |
| 第三章 改进的FP-GROWTH算法 | 第25-37页 |
| 3.1 FP-GROWTH算法 | 第25-29页 |
| 3.1.1 FP-GROWTH算法流程 | 第25-29页 |
| 3.1.2 算法局限性 | 第29页 |
| 3.2 改进的FP-GROWTH算法 | 第29-32页 |
| 3.2.1 Bloomfilter方法 | 第29-31页 |
| 3.2.2 改进的FP-GROWTH算法 | 第31-32页 |
| 3.2.3 算法局限性 | 第32页 |
| 3.3 性能评价 | 第32-34页 |
| 3.3.1 执行速度 | 第32-34页 |
| 3.3.2 挖掘结果 | 第34页 |
| 3.4 本章小结 | 第34-37页 |
| 第四章 基于GRNN的用户行为预测 | 第37-51页 |
| 4.1 GRNN算法 | 第37-40页 |
| 4.1.1 GRNN理论基础 | 第37-38页 |
| 4.1.2 G RNN算法流程 | 第38-39页 |
| 4.1.3 算法局限性 | 第39-40页 |
| 4.2 一种改进的GRNN算法 | 第40-47页 |
| 4.2.1 G RNN算法系统参数与平滑因子选择规则 | 第40-42页 |
| 4.2.2 差分进化算法 | 第42-43页 |
| 4.2.3 单纯形算法 | 第43-45页 |
| 4.2.4 应用S-DE算法改进GRNN算法 | 第45-47页 |
| 4.2.5 算法局限性 | 第47页 |
| 4.3 性能评价 | 第47-50页 |
| 4.3.1 执行精度 | 第47-49页 |
| 4.3.2 执行速度 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 航班数据采集系统的设计与实现 | 第51-61页 |
| 5.1 国际航班信息采集系统的架构 | 第51-54页 |
| 5.1.1 需求分析 | 第51-52页 |
| 5.1.2 系统架构 | 第52-54页 |
| 5.2 国际航班信息采集系统的设计 | 第54-59页 |
| 5.2.1 系统的表单设计 | 第54-57页 |
| 5.2.2 系统的流程设计 | 第57-59页 |
| 5.3 本章小结 | 第59-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 全文工作总结 | 第61页 |
| 6.2 下一步工作展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 作者简介 | 第69页 |