一、基于时态数据库的Web数据周期规律的采掘（论文文献综述）
邱一豪[1]（2019）在《时态神经网络在股票分类预测的应用》文中认为21世纪是人工智能技术飞速发展的一个年代。大数据技术与机器学习的快速发展与应用,已渗入到社会许多领域。股票市场被称为宏观经济的晴雨表,预测股票趋势一直是一项具有重要实际意义的工作。股票价格是一种非平稳、波动性大、无规律的时序性数据,而股票价格预测受到各种复杂因素的影响,这就导致了股票价格趋势预测一直是一个非常困难的研究课题。时态数据是将变化不规则的时序数据按一定的时态型重新划分转换得到的数据,转换后的时态数据在时态型上可能具有一定的规律,然后针对时态数据进行挖掘以发现对源数据挖掘所发现不到的时态知识。时态数据挖掘模型提供了一条解决复杂不规则的时序数据挖掘问题的途径。另一个挖掘不规则数据知识的方法是神经网络模型,神经网络具有并行、容错、可以硬件实现以及自我学习的优点,也可作为股票分类预测应用的一种有效方法。本文通过将时态数据挖掘模型与神经网络模型相结合,提出一种时态神经网络的分类模型及算法,将股票数据转换为时态型数据,利用所提出的模型对时态型股票数据进行趋势预测。通过对收集的若干上市公司十年内的股票数据进行数据分析,构建了基于时态数据的神经网络分类器,并对八支股票进行趋势分类预测。实验结果表明相比于逻辑回归分类、朴素贝叶斯分类、随机森林分类、支持向量机方法、一般神经网络方法,基于时态数据的神经网络分类器具有更高的分类准确率。而对时态股票数据进行离散化处理后,其分类准确率得到了更大的提高。结果证明,基于时态神经网络分类器对于多支股票的分类预测非常有效,可以很好的运用到股票市场的分类预测中。
黄雄波,胡永健[2]（2018）在《利用傅里叶谐波分析法的时序数据周期迭代辨识算法》文中提出针对现有的时序数据其周期辨识算法存在着辨识精度低及计算成本高的问题,在傅里叶谐波分析法的基础上,提出了一种具有基频迭代机制的周期辨识算法。首先,利用方差分析法从原始序列中析出其周期长度的整型估算值;然后,以任意小的频率间隔在估算值区间内进行傅里叶谐波的迭代拟合;最后,基于最小拟合残差和的准则来确定最优的周期成分。实验表明,该算法不仅具有良好的计算效能,而且还能精确地辨识出与序列样本长度无关的周期成分。
孟志青,楼婷渊,胡强[3]（2013）在《多粒度时间文本数据的周期模式挖掘算法》文中研究说明大规模文本数据挖掘是大数据分析的重要分支,也是近年来的一个研究热点。研究了多粒度时间文本数据周期模式挖掘算法,首先提出了时间粒度转换、多粒度时间间隔等概念,然后建立了文本数据的周期模型,给出了一个多粒度时间文本下的周期模式挖掘算法,最后对大量病毒文本文献数据进行了实验,表明了提出的算法可以挖掘一些有效的周期模式,讨论了周期宽松度对支持度和置信度的影响。该研究为大文本数据分析提供了一种新的方法。
宋少鹏,杨英杰,汪永伟[4]（2013）在《基于周期规律的加权时态关联规则挖掘算法》文中进行了进一步梳理数据挖掘过程中只考虑数据项权重或者只考虑时态语义会导致挖掘结果不全面。针对该问题,对加权关联规则、时态关联规则和时态数据周期规律进行研究,将权值、K-支持期望和周期等概念引入到时态关联规则中,提出一种基于周期规律的加权时态关联规则挖掘算法。以某管理系统审计数据为例进行实验验证,结果表明该算法能够准确地挖掘出数据库中的加权时态关联规则,与加权关联规则算法相比,在时间复杂度相同的情况下能使关联规则的挖掘结果更加全面。
楼婷渊[5]（2012）在《时态文本数据的周期性挖掘研究》文中进行了进一步梳理生活中的信息随时间不断变化,数据库中记录的信息大都也带有时间维,对带有时间维的数据进行挖掘逐渐成为数据挖掘领域一个非常重要研究课题,周期模式作为时态数据库中用于理解时态数据的一个非常有意义的特征,可以很好的反映事件演变规律,指导现在的生活,越来越受到国内外学者的关注。同时,生活中的信息80%以文本形式存在,然而,目前很少有人研究带有时间维的文本数据,因此考虑文本数据的时间属性,研究时态文本数据的周期模式会是一个非常有趣而且有意义的研究方向。本文从以下几个方面对文本周期进行了研究：（1）从文本挖掘、周期模式挖掘的研究现状引入了文本周期模式挖掘的研究现状和不足,提出了本文的研究内容；（2）在时态型、时态因子、时间粒度的基础上,给出了多粒度时间间隔和粒度转换的定义和性质,构造了一个多粒度时间下的文本周期模型；（3）在多粒度时间间隔的基础上提出了周期长度固定不变的严格周期模式和周期长度可以在一定时间段范围内波动的宽松周期模式。并定义了周期模式的支持和置信度,以及周期模式的覆盖关系,证明了周期模式的相关性质；（4）研究了周期模式的挖掘算法,提出了基于划分的Apriori算法和借鉴蚁群算法的思想计算周期长度并对1990年到2009年的生物医学文献进行了实验,实验表明算法可以挖掘出一些有效的周期模式。本文获得的主要成果和创新点为：1.提出了多粒度时间间隔和粒度转换的数学定义,并给出了相关性质；2.构造了多粒度时间下的文本周期模型；3.提出了周期严格周期模式和宽松周期模式的定义,给出了借鉴蚁群算法思想的周期模式挖掘算法。
宋少鹏[6]（2012）在《基于影响网的审计事件关联关系分析技术研究》文中研究表明安全审计是对信息系统的各种事件及行为实行监测、采集信息、分析并针对特定事件及行为采取相应比较动作的过程。审计数据分析是安全审计的重要内容，通过审计分析不仅可以进行操作事故的责任认定，而且能够得到审计事件之间的关联关系和事件操作的模式规律，为发现系统潜在威胁提供技术支撑。审计事件关联关系分析是审计分析领域的研究热点。目前审计事件关联关系分析主要集中在对各种事件关联算法的研究方面，缺少审计数据关键事件分析机制，同时审计事件关联分析算法在关联关系分析全面性和准确性上存在缺陷。而目前针对事件关联分析提出的框架在分析能力或应用范围方面也存在缺陷，因此需要提出新的事件关联分析框架对审计事件关联关系进行高效、全面的分析。针对上述问题，本文以基于影响网的审计事件关联关系分析为题，对相关领域的理论和技术进行了深入地研究，主要工作概括如下：1.提出了一套基于影响网的审计事件关联关系分析框架。该框架引入影响网对审计数据关键事件进行分析，同时提出了周期性加权时态关联规则挖掘算法来分析审计事件的关联关系，最后采用三维坐标图和二维有向图相结合的方式对事件关联关系和操作模式进行可视化展示。2.提出了基于影响网的审计数据关键事件分析方法。首先，构建基于审计数据的影响网，然后利用影响网中的事件敏感性分析算法和关键事件集合搜索算法对审计数据进行分析，得到审计事件敏感性和关键事件集合，为审计事件关联关系分析奠定基础。3.提出了周期性加权时态关联规则挖掘算法。通过对加权关联规则、时态关联规则和时态数据周期规律进行研究改进，提出了周期性加权时态关联规则挖掘算法，该算法能够准确、全面地挖掘出审计事件的关联规则，发现事件操作模式规律。4.以局域网安全管理系统的审计数据为例，对基于影响网的审计事件关联关系分析框架进行实现和验证。实验结果表明该框架具有较高的可行性和有效性，能够准确、全面地挖掘出审计事件中的关联规则，并对挖掘结果进行清晰、有效地展示。通过完成以上工作，一方面为审计事件关联关系分析理论和技术进行了改进和完善，另一方面为安全管理员发现事件关联关系和操作规律模式提供了方便和辅助。
黄振国[7]（2009）在《改进的时态关联规则在财政绩效分析中的应用》文中研究指明传统的关联规则很少考虑关联规则的时间属性。事实上,每个关联规则都有其成立的时间区域,尤其是财政数据与时间属性的关联更加敏感。因此,在挖掘关联规则时附加上某种时态约束会使规则能更好地描述客观现实情况,这样有助于揭示事物发展的本质规律,使得发现的知识更具有现实意义。加上某种时态约束的规则称为时态关联规则。时态数据挖掘作为数据挖掘的一个新的课题,被应用到了许多领域。财政绩效分析是有着固有时间属性的一种分析体系,是非常适合时态关联规则技术应用的一个新领域。财政绩效分析是对财政预算管理水平、财政资金投入与产出结果的比较、支出效益与结构及财政资金与经济发展水平适度性、财政资金规模与速度等多方面状况的综合反映分析,是地方政府财政现实能力与调控能力的具体体现。如果在财政绩效分析过程中不考虑时间因素,就无法正确理解财政资金的收支效益,就不能正确反映财政绩效的内在规律,就没有实际指导意义。比如,对于特定时间区间内财政支出的突发性增加,传统的分析方法会忽视其内在的合理性,而本文所做的工作就能够从这种异常中发现其实际存在的必然性和规律性,从而得出更有价值的信息。根据时态关联规则挖掘的信息给出财政绩效分析简易报告,对于下一步的财政政策导向有十分重要的意义。针对以上问题,本文对适用于财政绩效分析领域中离散属性的带周期规律的时态关联规则发现方法进行了改进。在研究关联规则挖掘算法的基础上,根据财政数据的特殊时间周期性,提出改进了的Apriori挖掘周期性时态关联规则算法MPTAR。并将这一算法应用于财政绩效分析领域,给出财政绩效分析简易报告。与传统分析方法相比,具有客观现实性、技术性高、信息量大、指导性强等诸多优势。本文所做的主要工作概括如下:1、对财政绩效的内容体系进行了全面的概括和分析。2、提出财政绩效分析数据的周期性规律,实现财政绩效数据的离散化。3、在对财政绩效分析固有时间属性进行分析的基础上,提出了财政绩效分析中离散属性的周期计算方法,设计并实现了相关算法MPTAR。4、将本文的研究成果应用于实践:在财政绩效分析中获得了成功有效的应用,并给出财政绩效分析简易报告。
张锡琴[8]（2009）在《时态数据流的增量聚类算法研究及其应用》文中进行了进一步梳理聚类分析是数据挖掘领域一项重要的研究课题。近年来,随着计算机和应用技术的高速发展,人们获得数据的能力有了极大的提高,同时获得的数据途径也越来越多。数据流（data stream）作为一种特殊的数据来源,越来越备受关注。如WEB点击流、气象观测信息流、电话记录信息流、卫星数据流等。由于数据流的数据量无限、对算法的响应要求很高,而且通常只能对数据访问一次,而传统的聚类算法对快速变化的数据流进行在线分析的支持存在着很多限制,因此急需开发适应数据流环境的聚类算法。计算机工作者们面临着新的挑战。本文针对时态数据流进行了研究,给出了时态数据流的概念和定义,同时在subspace a-cluster的基础上提出了TMSC（temporalmultiple-dimension subspace cluster）聚类算法来查找聚类,该算法采用了滑动窗口的形式,使得算法能保证无须针对所有时间点的数据同时进行聚类,减少了算法所需空间开销;同时有增量保持阶段,增量阶段无须重复计算之前的数据,只需处理新到达的相关数据,因此增量处理快;最后把算法用Java实现后,应用到了股票数据中,通过不同的参数设置,找到了不同时间段的聚类,有其一定意义。TMSC算法的主要创新之处为:1)从只能处理单维数据流扩展到了多维数据流;2)改进了聚类剪枝标准;3)对从m-level查找m+1-level的聚类给出了明确的定义和证明;4)发现了原先算法在增量更新阶段将会漏掉的聚类结果,通过保留所有聚类结果,解决了这一问题。
周晓昕[9]（2008）在《基于多属性特征的时态近似周期挖掘和应用》文中进行了进一步梳理随着人们对时态数据挖掘的深入,周期挖掘作为理解时态数据、预测未来趋势的一个极有意义的特征,日益成为时态数据挖掘中十分重要的研究课题。然而,目前很少有人研究基于多属性特征时态数据的近似周期,即多维时态近似周期。多维近似周期指的是多属性事件发生后,相隔一个时间周期（该时间周期可以在固定时间K的时间范围δ内波动）多属性事件重复发生,其关联规则还同时研究了该近似周期规则前件对规则后件发生的影响程度。这是一个很有意义的研究方向,因为同一对象多个属性之间往往存在周期性的相互影响,多个对象的属性之间由于对象的相互竞争、合作关系,也存在周期性的影响,而这种周期性往往表现为近似周期。如果我们将其应用到金融、气象、水文、医疗、超市等领域,发现其近似周期与关联规则,对指导和管理相关的决策问题具有相当的实际价值。本文从以下几方面对时态近似周期进行了研究:（1）介绍了时态周期挖掘的研究背景和不足,引出本文研究内容。（2）在时态型、时态因子和时间粒度的基础上,给出了多维时态事件与预测模型,以及多维时态周期关联规则模型。（3）提出了多维时态近似周期的数学定义,如多维近似周期模式、近似周期模式的支持度、置信度、近似精度和模式覆盖等,证明了相关性质。同时研究了基于时态数据库的层次聚类和SOM聚类的多维时态近似周期的挖掘算法,实验表明了算法的有效性。（4）扩展了多维时态近似周期的定义和性质,提出了三种多维时态近似周期关联规则的概念和性质,研究了基于SQL语言和SOM聚类的挖掘算法并进行了实验,同时尝试将近似周期关联规则应用于关联规则后件预测。本文获得的主要成果为:1、给出了多维时态事件,扩展了多维时态预测模型,提出了多维周期关联规则模型,并证明了相关性质。2、提出了一种多维时态近似周期的数学模型,给出了基于时态数据库的层次聚类和SOM聚类的挖掘算法。3、对三种不同类型多维时态近似周期关联规则进行探讨,提出基于时态数据库和SOM聚类的挖掘算法并应用于实践预测。
夏卓群,邓广慧,古华茂,程昱[10]（2007）在《多粒度时间部分周期模型》文中提出时间的描述和划分是时态数据采掘中一个非常重要的方面,针对目前时态数据采掘中缺少对多粒度时间等的研究的现状,提出了多粒度时间,粒度转换,时态序等的严格数学定义,并研究和证明了它们的相关性质。以此为基础引出了一个多粒度时间部分周期模型,对模型的支持度和置信度等性质进行了详细讨论,并将多粒度时间下的部分周期模型运用到股票数据实验中,实验表明所提出的模型对于研究时态数据采掘具有重要意义。
二、基于时态数据库的Web数据周期规律的采掘（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于时态数据库的Web数据周期规律的采掘（论文提纲范文）
（1）时态神经网络在股票分类预测的应用（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 主要研究内容和意义 |
| 1.3.1 研究内容 |
| 1.3.2 研究意义 |
| 1.4 拟解决的核心 |
| 1.5 本文创新点 |
| 1.6 论文结构 |
| 2 相关理论综述 |
| 2.1 时态数据挖掘模型理论 |
| 2.2 神经网络理论 |
| 2.3 股票分类预测 |
| 2.4 时态数据在股票分类预测的应用 |
| 2.5 神经网络方法在股票分类预测的应用 |
| 2.6 本章小结 |
| 3 时态神经网络模型与算法 |
| 3.1 时态型定义及性质 |
| 3.2 时态转换方法 |
| 3.3 神经网络分类模型 |
| 3.4 时态神经网络分类模型 |
| 3.5 模型特性与可用性分析 |
| 3.6 本章小结 |
| 4 金融证券投资应用 |
| 4.1 数据获取与预处理 |
| 4.2 模型参数选择 |
| 4.3 数据分析与结果 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 研究结论 |
| 5.2 论文展望 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 附录3 |
| 附录4 |
| 附录5 |
| 致谢 |
| 攻读学位期间参加的研究工作和获得的学术成果 |
（2）利用傅里叶谐波分析法的时序数据周期迭代辨识算法（论文提纲范文）
| 0 引言 |
| 1 问题描述 |
| 2 提出的时序数据周期迭代辨识算法 |
| 2.1 利用方差分析法估算周期序列的周期长度 |
| 2.2 傅里叶谐波系数的迭代计算表达式 |
| 2.3 最优周期长度的确定 |
| 2.4 时序数据周期迭代辨识算法的实现 |
| 3 实验及结果分析 |
| 3.1 实验过程与方法 |
| 3.2 实验的结果与分析 |
| 4 结束语 |
（3）多粒度时间文本数据的周期模式挖掘算法（论文提纲范文）
| 1 引言 |
| 2 时态文本数据模型 |
| 2.1 文本表示 |
| 2.2 时态文本模型 |
| 3 时态文本数据周期模型构造 |
| 4 周期模式挖掘算法 |
| 5 实验及结果分析 |
| 结束语 |
（4）基于周期规律的加权时态关联规则挖掘算法（论文提纲范文）
| 1 概述 |
| 2 时态数据周期规律挖掘 |
| 2.1 数据平滑处理 |
| 2.2 数据对象趋势挖掘 |
| 2.3 时态数据周期获取 |
| 3 基于周期规律的加权时态关联规则挖掘 |
| 3.1 基本概念 |
| 3.1.1 时态数据周期与有效时间归并 |
| 3.1.2 项目权值 |
| 3.1.3 加权时态关联规则的支持度与置信度 |
| 3.1.4 加权时态关联规则中的K-支持期望 |
| 3.2 加权时态关联规则挖掘算法描述 |
| 3.3 算法时间复杂度分析 |
| 3.4 算法实验验证 |
| 4 结束语 |
（5）时态文本数据的周期性挖掘研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 文本挖掘研究现状 |
| 1.2.2 时态数据挖掘研究现状 |
| 1.2.3 周期模式挖掘研究现状 |
| 1.3 研究目的和意义 |
| 1.4 本文研究内容和论文组织结构 |
| 1.4.1 本文研究内容 |
| 1.4.2 论文组织结构 |
| 2 多粒度时间下的文本数据模型 |
| 2.1 文本表示 |
| 2.1.1 文本数据预处理 |
| 2.1.2 特征表示和特征抽取 |
| 2.2 时间的基本概念与性质 |
| 2.2.1 时态型的定义 |
| 2.2.2 时间粒度的定义 |
| 2.3 文本周期模型构造 |
| 2.4 本章小结 |
| 3 多粒度时间下的文本数据周期研究 |
| 3.1 严格周期模式 |
| 3.2 宽松周期模式 |
| 3.3 支持度和置信度 |
| 3.4 本章小结 |
| 4 多粒度时间下的文本数据周期模式挖掘算法 |
| 4.1 周期模式挖掘定义 |
| 4.2 周期模式挖掘算法 |
| 4.2.1 挖掘频繁特征项集 |
| 4.2.2 周期长度挖掘算法 |
| 4.3 实验及分析 |
| 4.3.1 挖掘目标 |
| 4.3.2 数据准备 |
| 4.3.3 结果分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要科研成果 |
（6）基于影响网的审计事件关联关系分析技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究内容 |
| 1.3 论文结构安排 |
| 第二章 安全审计数据关联分析技术综述 |
| 2.1 概述 |
| 2.2 安全审计事件关联分析方法 |
| 2.2.1 基于模式匹配的事件关联方法 |
| 2.2.2 基于先决条件的事件关联方法 |
| 2.2.3 基于概率相似度的事件关联方法 |
| 2.2.4 基于统计分析的事件关联方法 |
| 2.2.5 基于数据挖掘的事件关联方法 |
| 2.2.6 事件关联分析算法性能比较 |
| 2.3 审计分析可视化 |
| 2.3.1 审计分析可视化分类 |
| 2.3.2 关联规则可视化技术 |
| 2.4 存在的主要问题及本文研究思路 |
| 2.5 本章小结 |
| 第三章 基于影响网的审计事件关联关系分析框架构建 |
| 3.1 影响网概述 |
| 3.1.1 影响网基础知识 |
| 3.1.2 影响网中关键事件分析算法 |
| 3.2 基于影响网的审计事件关联关系分析框架 |
| 3.2.1 框架构建 |
| 3.2.2 框架关键技术 |
| 3.3 本章小结 |
| 第四章 基于影响网的审计数据关键事件分析 |
| 4.1 审计数据格式统一描述 |
| 4.2 用影响网分析审计数据关键事件 |
| 4.2.1 基于审计数据构建影响网 |
| 4.2.2 审计事件敏感性分析 |
| 4.2.3 关键事件集合搜索 |
| 4.3 本章小结 |
| 第五章 审计事件周期性加权时态关联规则挖掘算法研究 |
| 5.1 数据预处理 |
| 5.2 关联规则挖掘理论 |
| 5.2.1 关联规则基本概念 |
| 5.2.2 挖掘关联规则 |
| 5.3 加权关联规则 |
| 5.3.1 加权关联规则定义 |
| 5.3.2 加权关联规则挖掘算法 |
| 5.4 时态关联规则 |
| 5.5 时态数据周期规律采掘 |
| 5.5.1 对数据进行平滑处理 |
| 5.5.2 挖掘数据对象趋势 |
| 5.5.3 获取时态数据周期 |
| 5.6 周期性加权时态关联规则挖掘算法 |
| 5.6.1 基本概念 |
| 5.6.2 周期性加权时态关联规则挖掘算法 |
| 5.6.3 挖掘周期性加权时态关联规则 |
| 5.6.4 算法性能分析 |
| 5.7 本章小结 |
| 第六章 基于影响网的审计事件关联关系分析框架实现 |
| 6.1 安全管理系统实验环境 |
| 6.2 审计事件关联关系分析框架技术实现 |
| 6.2.1 审计数据关键事件分析 |
| 6.2.2 审计事件周期规律采掘 |
| 6.2.3 数据预处理与事件筛选 |
| 6.2.4 挖掘审计事件周期性加权时态关联规则 |
| 6.2.5 审计事件关联关系可视化 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 进一步的研究工作 |
| 参考文献 |
| 作者简历 攻读硕士学位期间完成的主要工作 |
| 致谢 |
（7）改进的时态关联规则在财政绩效分析中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 时态数据挖掘国内外研究现状 |
| 1.2.2 关联规则国内外研究现状 |
| 1.2.3 主要存在的问题 |
| 1.3 本文主要工作及内容组织 |
| 1.3.1 主要研究工作及贡献 |
| 1.3.2 本文的内容组织 |
| 第2章 财政绩效分析概论 |
| 2.1 财政绩效分析的意义和范畴 |
| 2.1.1 进行财政绩效分析的意义 |
| 2.1.2 财政绩效分析中财政收入与财政支出的范畴 |
| 2.2 财政支出分析 |
| 2.2.1 关于财政支出结构与支出管理体制方面的研究 |
| 2.2.2 关于财政支出与社会公平方面的研究 |
| 2.2.3 关于财政支出研究方法方面 |
| 2.3 财政绩效分析原则 |
| 2.4 财政绩效分析方法 |
| 2.5 小结 |
| 第3章 数据挖掘技术与关联规则综述 |
| 3.1 数据挖掘技术概述 |
| 3.1.1 数据挖掘的定义 |
| 3.1.2 数据挖掘与数据库中知识发现 |
| 3.1.3 数据挖掘的任务 |
| 3.1.4 数据挖掘常用技术 |
| 3.2 关联规则挖掘技术 |
| 3.2.1 关联规则的基本概念和问题描述 |
| 3.2.2 关联规则挖掘的算法 |
| 3.3 小结 |
| 第4章 改进的时态关联规则挖掘算法MPTAR |
| 4.1 时态关联规则 |
| 4.1.1 时态关联规则概念 |
| 4.1.2 时态关联规则的性质 |
| 4.2 周期规律发现 |
| 4.2.1 相关的时态数据库概念 |
| 4.2.2 对象的趋势和惯性 |
| 4.2.3 周期规律采掘 |
| 4.2.4 周期规律采掘应用实例 |
| 4.3 周期性时态关联规则提取算法MPTAR |
| 4.3.1 周期关联规则的定义 |
| 4.3.2 产生周期性的频繁项目集 |
| 4.3.3 产生周期性的关联规则 |
| 4.4 算法实验 |
| 4.5 小结 |
| 第5章 MPTAR 算法在财政绩效分析中的应用 |
| 5.1 数据预处理 |
| 5.1.1 连续属性离散化方法 |
| 5.1.2 常用的离散化方法 |
| 5.2 在财政绩效分析中的应用 |
| 5.2.1 所适用的硬件环境 |
| 5.2.2 数据说明与预处理 |
| 5.2.3 结果与分析 |
| 5.2.4 形成财政绩效分析简易报告 |
| 5.2.5 从结果角度与其他四种方法的比较 |
| 5.3 小结 |
| 结论与进一步工作 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
（8）时态数据流的增量聚类算法研究及其应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题的目的和意义 |
| 1.2 相关概念 |
| 1.2.1 数据挖掘 |
| 1.2.2 时序(态)数据挖掘 |
| 1.2.3 数据流 |
| 1.2.4 数据流挖掘 |
| 1.3 国内外研究现状 |
| 1.3.1 数据挖掘 |
| 1.3.2 时态数据挖掘 |
| 1.3.3 数据流挖掘 |
| 1.4 研究动机 |
| 1.5 研究内容与组织结构 |
| 2 数据流聚类算法 |
| 2.1 传统聚类算法 |
| 2.1.1 划分方法 |
| 2.1.2 层次方法 |
| 2.1.3 基于密度的方法 |
| 2.1.4 基于网格的方法 |
| 2.1.5 基于模型的方法 |
| 2.2 现有的数据流聚类算法 |
| 3 时态数据流 |
| 3.1 时态数据 |
| 3.1.1 时间模型 |
| 3.1.2 时态型与时间粒度概念的性质 |
| 3.1.3 时态型的连续性 |
| 3.2 时态数据流 |
| 4 时态数据流的增量聚类算法 |
| 4.1 问题描述及其相关概念 |
| 4.2 算法框架及其描述 |
| 4.2.1 聚类初始化阶段 |
| 4.2.2 增量聚类阶段 |
| 4.3 算法的性能分析 |
| 4.3.1 理论分析 |
| 4.3.2 实际分析 |
| 5 股票数据上的应用 |
| 5.1 概述 |
| 5.2 数据采集、表示和预处理 |
| 5.2.1 数据采集 |
| 5.2.2 数据表示 |
| 5.2.3 数据预处理 |
| 5.3 实验结果与分析 |
| 5.4 小结 |
| 6 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间主要科研成果 |
（9）基于多属性特征的时态近似周期挖掘和应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 数据挖掘综述 |
| 1.2.1 数据挖掘的产生与发展 |
| 1.2.2 数据挖掘研究内容及功能 |
| 1.2.3 数据挖掘常用技术及工具 |
| 1.3 时态数据挖掘综述 |
| 1.3.1 时态模型 |
| 1.3.2 时态数据挖掘研究方向 |
| 1.3.3 时态数据挖掘研究工具 |
| 1.4 周期模式挖掘综述 |
| 1.4.1 周期模式挖掘类型 |
| 1.4.2 周期模式挖掘存在的不足 |
| 1.5 本文研究的内容 |
| 2 多维时态数据模型 |
| 2.1 与时间相关的一些概念和性质 |
| 2.1.1 时态型和时间粒度 |
| 2.1.2 时态型的连续性 |
| 2.2 多维时态模型 |
| 2.2.1 多维时态事件模型 |
| 2.2.2 事件运算及性质 |
| 2.2.3 多维时态预测模型 |
| 2.3 多维时态周期关联规则模型 |
| 2.4 本章小结 |
| 3 多维时态近似周期挖掘 |
| 3.1 模型构造 |
| 3.2 基于层次聚类技术的多维近似周期模式挖掘算法 |
| 3.2.1 数据准备 |
| 3.2.2 挖掘算法 |
| 3.2.3 实验结果 |
| 3.3 基于SQL语言和SOM聚类的多维时态近似周期挖掘算法 |
| 3.3.1 SOM网络的拓扑结构和工作原理 |
| 3.3.2 SOM训练算法 |
| 3.3.3 SOM多维近似周期挖掘算法 |
| 3.3.3.1 输入特征向量预处理 |
| 3.3.3.2 SOM多维近似周期挖掘算法 |
| 3.3.4 实验结果 |
| 3.4 小结 |
| 4 多维近似周期关联规则 |
| 4.1 多维近似周期关联规则模型扩展 |
| 4.1.1 多维时态近似周期关联规则类型 |
| 4.1.2 模型构造 |
| 4.1.3 多维时态周期关联规则约简 |
| 4.2 多维近似周期关联规则挖掘算法 |
| 4.2.1 数据准备 |
| 4.2.2 基于单对象的维间近似周期关联规则挖掘算法 |
| 4.2.3 多对象同步近似周期关联规则挖掘 |
| 4.2.4 多对象异步近似周期关联规则挖掘 |
| 4.3 实验结果及预测 |
| 4.4 算法对比 |
| 4.5 小结 |
| 5 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间公开发表的论文 |
四、基于时态数据库的Web数据周期规律的采掘（论文参考文献）
- [1]时态神经网络在股票分类预测的应用[D]. 邱一豪. 浙江工业大学, 2019(07)
- [2]利用傅里叶谐波分析法的时序数据周期迭代辨识算法[J]. 黄雄波,胡永健. 计算机应用研究, 2018(06)
- [3]多粒度时间文本数据的周期模式挖掘算法[J]. 孟志青,楼婷渊,胡强. 计算机科学, 2013(S2)
- [4]基于周期规律的加权时态关联规则挖掘算法[J]. 宋少鹏,杨英杰,汪永伟. 计算机工程, 2013(03)
- [5]时态文本数据的周期性挖掘研究[D]. 楼婷渊. 浙江工业大学, 2012(06)
- [6]基于影响网的审计事件关联关系分析技术研究[D]. 宋少鹏. 解放军信息工程大学, 2012(06)
- [7]改进的时态关联规则在财政绩效分析中的应用[D]. 黄振国. 河南大学, 2009(11)
- [8]时态数据流的增量聚类算法研究及其应用[D]. 张锡琴. 浙江工业大学, 2009(06)
- [9]基于多属性特征的时态近似周期挖掘和应用[D]. 周晓昕. 浙江工业大学, 2008(01)
- [10]多粒度时间部分周期模型[J]. 夏卓群,邓广慧,古华茂,程昱. 计算机工程与设计, 2007(05)