| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 引言 | 第9-11页 |
| 1．1 课题提出的背景 | 第9页 |
| 1．2 课题的意义 | 第9-10页 |
| 1．3 课题的主要内容 | 第10-11页 |
| 第二章 数据挖掘概述 | 第11-13页 |
| 2．1 数据挖掘现状 | 第11页 |
| 2．2 数据挖掘应用领域 | 第11-13页 |
| 第三章 指数平滑预测模型 | 第13-25页 |
| 3．1 指数平滑技术基本原理 | 第13-18页 |
| 3．1．1 时间序列 | 第13-14页 |
| 3．1．2 平滑技术 | 第14-15页 |
| 3．1．3 指数平滑法 | 第15-18页 |
| 3．2 指数平滑预测模型 | 第18-25页 |
| 3．2．1 算法的实现 | 第19-20页 |
| 3．2．2 预测计算 | 第20页 |
| 3．2．3 预测结果分析 | 第20-24页 |
| 3．2．4 模型分析 | 第24-25页 |
| 第四章 B-P神经网络预测模型 | 第25-37页 |
| 4．1 B-P神经网络简介 | 第25-29页 |
| 4．1．1 B-P神经网络基本原理 | 第25-26页 |
| 4．1．2 B-P算法的学习过程 | 第26-29页 |
| 4．2 基于B-P神经网络的济南市环境空气质量预测 | 第29-37页 |
| 4．2．1 B-P神经网络预测模型 | 第29页 |
| 4．2．2 训练B-P神经网络 | 第29-32页 |
| 4．2．3 进行预测计算 | 第32页 |
| 4．2．4 预测结果分析 | 第32-35页 |
| 4．2．5 模型分析 | 第35-37页 |
| 第五章 济南市环境空气质量的数据挖掘系统JNAQDMS | 第37-51页 |
| 5．1 数据源概述 | 第37-40页 |
| 5．1．1 济南市环境空气监测与预报系统 | 第37-38页 |
| 5．1．2 济南市重点污染源在线监测系统 | 第38-40页 |
| 5．2 JNAQDMS系统分析 | 第40-44页 |
| 5．2．1 污染源系统小时数据分析 | 第40页 |
| 5．2．2 空气质量实时监测系统小时数据分析 | 第40-42页 |
| 5．2．3 污染源系统天数据分析 | 第42-43页 |
| 5．2．4 空气质量实时监测系统天数据分析 | 第43页 |
| 5．2．5 污染源系统月数据分析 | 第43-44页 |
| 5．2．6 空气质量实时监测系统月数据分析 | 第44页 |
| 5．2．7 历史数据统计分析 | 第44页 |
| 5．2．8 趋势预测分析 | 第44页 |
| 5．3 JNAQDMS系统框架 | 第44-51页 |
| 5．3．1 数据源的连接 | 第46页 |
| 5．3．2 数据处理 | 第46页 |
| 5．3．3 数据表征 | 第46-47页 |
| 5．3．4 统计分析 | 第47页 |
| 5．3．5 挖掘分析 | 第47-49页 |
| 5．3．6 数据输出 | 第49-51页 |
| 结术语 | 第51-52页 |
| 附录 | 第52-56页 |
| 1． 计算相关系数算法实现 | 第52-53页 |
| 2． 指数平滑算法实现 | 第53-56页 |
| 参考文献 | 第56-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间发表的学术论文目录 | 第59-60页 |