| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题背景 | 第9-10页 |
| ·研究现状 | 第10-11页 |
| ·课题的意义 | 第11页 |
| ·主要工作 | 第11-12页 |
| ·论文组织结构 | 第12-14页 |
| 第二章 数据挖掘概述 | 第14-23页 |
| ·数据挖掘的概念及特点 | 第14页 |
| ·数据挖掘的过程 | 第14-15页 |
| ·数据挖掘的方法 | 第15-20页 |
| ·分类 | 第16-17页 |
| ·回归 | 第17-18页 |
| ·聚类 | 第18-19页 |
| ·关联规则 | 第19-20页 |
| ·数据挖掘的应用 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 基于数据仓库的宏观经济智能决策支持系统的设计 | 第23-33页 |
| ·项目概述 | 第23页 |
| ·系统总体架构设计 | 第23-24页 |
| ·系统流程图 | 第24-25页 |
| ·宏观经济数据仓库设计 | 第25-31页 |
| ·数据挖掘服务器设计 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 数据挖掘模块的总体设计 | 第33-37页 |
| ·数据挖掘模块概述 | 第33页 |
| ·数据挖掘模块用例图 | 第33-35页 |
| ·数据挖掘模块总体活动图 | 第35页 |
| ·数据挖掘模块总体实现类图 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第五章 支持向量机分类在宏观经济预测中的应用 | 第37-49页 |
| ·样本和指标的选择 | 第37-38页 |
| ·数据的预处理 | 第38-39页 |
| ·核函数和训练参数的选择 | 第39页 |
| ·建立宏观经济预测支持向量机模型 | 第39-40页 |
| ·支持向量机算法的优化 | 第40-43页 |
| ·支持向量机基本思想及其缺点 | 第40页 |
| ·SVM优化算法的基本思想 | 第40页 |
| ·边界向量的求解算法 | 第40-41页 |
| ·基于边界向量的快速算法的基本步骤 | 第41-42页 |
| ·算法的时间和空间复杂度分析 | 第42-43页 |
| ·支持向量机算法的实现 | 第43页 |
| ·调用支持向量机算法挖掘时时序的主要步骤 | 第43-46页 |
| ·预测结果分析 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第六章 神经网络回归在宏观经济预测中的应用 | 第49-58页 |
| ·样本和指标的选择 | 第49页 |
| ·数据的预处理 | 第49-50页 |
| ·隐含层数和层内神经元数目的选择 | 第50-52页 |
| ·建立宏观经济预测神经网络模型 | 第52页 |
| ·神经网络算法的实现 | 第52-53页 |
| ·调用神经网络算法挖掘时时序的主要步骤 | 第53-56页 |
| ·预测结果分析 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第七章 模糊C聚类在宏观经济预测中的应用 | 第58-65页 |
| ·样本和指标的选择 | 第58页 |
| ·数据的预处理 | 第58-59页 |
| ·聚类中心和隶属矩阵的求解 | 第59-61页 |
| ·模糊C均值算法的实现 | 第61页 |
| ·调用模糊C聚类算法挖掘时时序的主要步骤 | 第61-63页 |
| ·预测结果分析 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 第八章 Apriori关联规则在宏观经济预测中的应用 | 第65-72页 |
| ·样本和指标的选择 | 第65-66页 |
| ·数据的预处理 | 第66页 |
| ·Apriori频繁项集的产生 | 第66-67页 |
| ·Apriori算法的实现 | 第67-68页 |
| ·调用Apriori算法挖掘时时序的主要步骤 | 第68-69页 |
| ·预测结果分析 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 第九章 总结与展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 攻读学位期间的研究成果 | 第78页 |