一、基于数据仓库的决策支持系统研究与应用（论文文献综述）
许诗怡[1]（2020）在《森林资源数据仓库管理系统研建与数据分析应用技术研究》文中认为本研究首先论述了森林资源异构数据集成以及数据仓库技术在林业上的研究现状。森林资源数据仓库在实际应用中还面临着以下两大问题:一是数据存储存在差异,且数据表中的统计字段名称、类型、代码等的表达形式也存在差异;二是数据存储的差异性造成数据利用率不高,深层次的多维分析、数据挖掘等是基于规范化的数据进行的。针对这些问题,研究以历史上存储的森林资源数据为基础,针对森林生产功能分析、适地适树规则提取、生长收获预测模型拟合等的分析需求,设计建立了两个数据仓库:森林资源小班数据仓库以及标准地/样地数据仓库,并完成对两个数据仓库事实表、维度表字段结构的详细设计。通过对ETL技术的研究,实现对森林资源异构数据源的抽取、清洗和转换,并将处理后的规范化数据存储在目标数据仓库中进行统一管理。在此基础上,研建一个基于B/S体系架构的森林资源数据仓库管理系统。系统的主要功能包括异构数据源获取、森林资源异构数据的清洗转换、森林资源数据多维分析、数据挖掘等。本研究高效的利用已有的森林资源数据可以为林场等经营单位提供生长收获、抚育间伐、规则提取等方面的决策支持。
田晚彤[2]（2019）在《数据仓库和联机分析在医院数据决策分析的研究和应用》文中指出很多医院非常注重医疗服务信息化建设,医疗信息系统的大量应用提高了诊治过程和医疗服务的透明度,医疗质量得到较大提升。使用很长时间之后,这些系统中存在着大量数据,虽然这些历史数据与不断产生的新的数据之间还存在着关联性,但是因为受系统功能限制,数据并没有得到充分利用,其价值被忽视和浪费。因此,对于医院管理系统中的历史医疗数据进行数据清理,多维分析医疗业务并为管理者提供有价值的决策支持信息,成为各医疗机构开始重视的问题。本文研究了当前医院管理信息系统在数据使用中存在的问题,经过实地调研,了解了医院管理者的具体业务需求,利用数据仓库技术和联机分析技术设计数据仓库模型并对进行数据清理和分析。具体的解决方案是首先确定数据仓库主题,设计并搭建了数据仓库逻辑模型;其次,利用数据仓库数据清理工具对医院管理信息系统数据进行数据清理;然后,依据数据仓库主题,利用联机分析技术分析了医院管理者所关注的一些医院业务,结合SQL Server Analysis Services工具以图形化形式展示数据分析结果;最后,据此提出一些决策支持建议,为管理者的科学决策提供数据支持。本文设计的基于联机分析技术的数据仓库在运行期间表现良好,对医院管理信息系统多年积累的数据重新进行了数据清理,将医院业务中存在的业务需求以图形方式清晰展示给医院管理者,极大方便了用户从医院管理信息系统历史数据中发现有价值的信息,同时为医院管理者提供决策建议,具有较好的实用价值。
张申[3]（2019）在《数据仓库技术在高校招生就业决策中的应用研究》文中研究指明随着科技的发展,社会已进入大数据时代,人们对信息的价值越来越重视,数据仓库的重要性达到了空前的高度。数据仓库是以数据库的技术为基础,在当下需要研究大量、多源、异构、动态的海量数据中,日益发展起来的。当下就业形势日益严峻,全国各个高校对招生就业的问题引起高度重视,学生选择高校的意向是什么,哪些专业的学生在什么样的工作部门就业率高,都是值得我们关注的焦点问题。本论文围绕如何更好地指导招生就业管理和决策提出一系列的问题,利用OLAP以及数据挖掘两项技术开展对论文数据的分析研究。首先,为了更好的、更合理的对数据仓库进行设计,本文运用了三种设计模型,分别是:物理模型、概念模型以及逻辑模型。同时,为保障数据仓库的顺利建立,本文处理了招生和就业两大系统的数据源,对招生和就业数据分别进行了抽调、转换、清洗、加载等工作。其次,本文在熟悉了解招生就业业务流程的基础上,针对录取情况、生源质量、各专业增减生源的数量以及各年龄层的招生就业数据仓库进行分类分析和OLAP处理,从而获得了更具说服力的结果。第三,为探寻招生就业数据仓库中各数据的内在联系,本论文利用三种数据挖掘算法,包括关联分析、决策树分析和聚类分析进行数据挖掘,主要对决策树分析进行了属性值空缺和简化熵算法的优化和改进,分析得出函授站点、录取年份、学历层次、成绩档次、文化程度及报到注册率之间都存在关联。统计分析以上OLAP处理和数据挖掘的结果,最终对高校招生就业决策提出了建议及策略。本文的研究将数据仓库技术应用在招生就业领域,从众多历史数据中发现了各种潜在的有价值的规则,从而进一步科学地指导就业、高效地开展招生宣传,这将有助于提高高校招生的质量以及毕业生就业质量,对整个高校的发展、提高生源人才质量具有重要的实践意义。
马辉[4]（2018）在《可拓室内设计数据挖掘研究》文中指出可拓室内设计数据挖掘研究是国家自然科学基金项目《面向可拓建筑策划与设计的可拓数据挖掘理论及其方法研究》（51178132）的重要组成部分,是建筑学、可拓学和数据挖掘领域的交叉研究课题。研究建立在以数据为新能源的数据时代发展初期,探索智能化实现室内设计的新路径。是对现有室内设计理论与方法体系的扩充。研究目的在于利用计算机可以识别并运行的可拓设计语言,将可拓学的学理思想充分嵌入到数据挖掘全链条过程中,优解室内设计问题,发现优选模式下的室内设计知识规律,用于数据化实现可拓室内设计,推动室内设计研究向更理性、更科学、更智能、更高效的方向发展。论文运用跨学科交叉研究、可拓创新研究等方法,将可拓建筑学理论和可拓数据挖掘方法融入到室内设计数据挖掘研究中,构筑了可拓室内设计数据挖掘的基础研究、理论研究、方法研究、应用研究的框架结构。可拓室内设计数据挖掘的基本理论研究,是在可拓建筑设计研究和可拓数据挖掘研究的基础上,深度思考可拓室内设计数据挖掘的基本理论问题,提出支撑后续方法和应用研究的基本理论,为研究展开奠定基础。论文提出了可拓室内设计的概念;提出了描述室内精神感受的感元系统;阐述了计算机可以识别的可拓室内设计基元表达理论;阐述了可拓室内设计思维模式理论和可拓集理论;辨析了可拓室内设计数据挖掘的涵义和修辞关系;明确了研究的方向和任务。可拓室内设计数据仓库的设计研究,是在充分思考可拓学的核心优势和充分考虑设计数据特点的基础上,为设计策略输出建立的可拓数据挖掘操作平台研究,是面向可拓室内设计的,适合可拓数据挖掘结构型质的仓库设计指导。研究建立了处理数据和可拓数据的准入端口;确立了仓库的构成内容;提出了符合可拓数据特点和可拓数据挖掘特点的拓点结构;提出了三项重要的建库逻辑:即指导仓库目标系统设计的面向主题性原则、指导仓库动力系统设计的双轮驱动原则、指导仓库结构系统设计的原型设计原则,为可拓室内设计数据挖掘操作提供平台支持。可拓室内设计数据挖掘的方法研究,是在现有数据挖掘方法研究和可拓数据挖掘方法研究的基础上,按照可拓室内设计问题模式建立的挖掘操作方法研究。本质上是在挖掘到的普遍规律约束下寻找设计最优解或最优区间,以灵活的方式提供满足不同需求下的个性化设计对策。研究建立了以技术路线为依据,以挖掘步骤为展开方式,以实例解析为佐证的挖掘方法体系,详细论述了可拓室内设计数据挖掘的三种基本方法和一种创新方法。其中,有监督的可拓分类挖掘方法、无监督的可拓聚类挖掘方法、描述数据依赖关系的可拓关联挖掘方法,是针对剔除数据雍余后的多数模式的数据分析方法,而代表少数模式的离群数据在设计创新中具有非常重要的意义,研究针对这部分异常模式提出了可拓室内设计离群点挖掘方法,是针对设计数据的创新的挖掘方法。可拓室内设计数据挖掘的知识类型及其应用研究,是在可拓室内设计数据挖掘方法研究的基础上进行的挖掘成果研究,以及基于挖掘成果的应用方式研究。数据挖掘也被称作知识发现,此部分研究是自动处理数据工具的最后一环,是可拓数据挖掘技术与专业内容的衔接与落地。研究呈现了通过可拓数据挖掘方法可以生成的具体的室内设计知识内容,囊括了四种主要的知识类型,并分别阐述了不同类型知识的直接应用和可拓应用模式,完成了面向可拓室内设计的可拓数据挖掘的全过程。总之,研究旨在以数据为基础,以模型为工具,以方法为指导,在可拓室内设计数据仓库的平台上,进行可拓数据挖掘研究,发现以预测、优选、创新为核心的室内设计知识规律,探索一条以数据和需求共同驱动,智能化解决设计问题的数据化设计创新之路。为此,研究建立了可拓室内设计数据挖掘的理论体系、数据仓库设计体系、挖掘操作的方法体系、挖掘结果及其应用体系,形成了完整的可拓室内设计数据挖掘的研究结构。研究工作为数据时代设计发展提供了应对的新策略,为室内设计智能化实现提供了逻辑基础,研究成果拓展了可拓建筑学的学术边界。
聂畅[5]（2018）在《基于数据仓库的医院数据分析与决策支持系统的设计与实现》文中进行了进一步梳理近些年,我国大部分医院已建立了各类辅助医疗事务的管理信息系统。医院信息系统有效保障医院正常运行,降低了运营成本,提高了工作效率和资源利用率,成为医院科学管理和提高医疗服务水平的有力手段。但是,这些业务系统相对独立,众多异构系统中的数据难以有机地整合和共享,并且这些信息系统属于联机事务处理系统,主要面向业务流程设计,而不面向分析管理,很难从日积月累的海量历史数据中发现和提取潜在的信息和知识来帮助医院管理者更好地做出决策。因此,医院需要将大量业务数据重新整合,为管理者的决策提供准确可靠的数据支持,从而进一步提高医院管理质量和医疗服务水平。在对国内外研究现状分析的基础上,结合医院具体情况,本文基于数据仓库和联机分析处理等多种技术,设计并实现了医院数据分析与决策支持系统。首先,本文根据医院信息系统的现状进行需求分析,进而确定了系统的主题和结构;其次,对医院门诊信息系统、住院信息系统和住院电子病历系统这三个主要业务系统中分散的数据进行抽取、清洗、转换后加载到医院数据仓库;再次,根据医院管理者的需求,从医院门诊量、门诊收入、门诊诊断、住院费用和住院诊断五个主题分别进行多维数据建模;最后基于B/S结构,通过多种维度,利用报表、柱形图和饼图等丰富的展现形式向用户分主题展示数据分析结果,实现医院数据分析与决策支持系统。本系统的价值在于有机地整合了医院的主要业务系统产生的数据,打破“信息孤岛”现象。基于Web的医院数据分析与决策支持系统方便医院管理者从多层次、多维度监测与分析门急诊和住院人次、收入、病人费用构成等指标,为医院管理者的决策提供更加全面、准确和直观的数据保障,以便应对日益复杂和快速变化的医疗环境,同时也为医院教学及科研中的临床诊断数据统计和疾病的相关性分析提供数据支持。
王龙救[6]（2018）在《决策支持系统对零售业务支持的研究 ——以中石化易捷便利店为例》文中提出目前国内外零售行业飞速发展,为了提高企业的竞争力,现在有很多的大型零售企业都非常重视基于POS机的流水数据、会员信息数据、以及在线商品销售的数据进行商品品类以及客户分析,现在企业一般设置有专门的数据分析团队,为决策层、销售团队、管理部门等提供定期或不定期的各种分析报告。本论文将采用案例研究法、定性和定量的研究方法、比较分析法等方法,基于中石化非油品品类分析及决策支持应用,研究信息系统提供的辅助决策如何在促销活动、商品引进、商品淘汰等关键业务中,提高管理效率。同时研究信息系统提供的数据挖掘功能,例如产品销售相关性、预测、加权计分、聚类分析等如何支持公司在日常运营中探索潜在商机,找到自己的利润点,并改善商业策略。以及自助分析功能如何为数据分析师提供灵活、便捷的数据探索、可视化分析。最后,通过信息系统中决策支持、预测分析、数据挖掘、统计分析、自助分析、系统管理的实现,提升企业的分析水平和手段,为企业运营决策提供辅助支撑手段,为整个销售企业的非油品零售数据挖掘系统建设打下坚实基础。
黄浩[7]（2016）在《基于数据仓库的商品流通企业决策分析系统的研究与开发》文中研究指明本文基于商品流通企业原有的ERP系统,综合应用目前先进的数据仓库技术、OLAP技术、数据挖掘技术、HTML5网页设计技术和企业管理理论及模型,构建一个适用于商品流通企业的决策分析子系统,从而为企业的决策提供帮助。该系统的实施,有助于改变企业原有ERP中的集中式数据管理模式的局限,使得企业能够对企业的经营的状况有更深层次的把握,再在这个基础上提出有效的企业决策,从而提升企业的市场竞争力和实现利润的最大化。本文对数据仓库技术、OLAP技术和数据挖掘技术的最新进展进行了研究,在此基础上,通过综合运用数据仓库技术和供应链管理思想,来建立商品流通企业决策分析系统的系统框架。本文的商品流通企业决策分析系统解决方案所需的数据挖掘和联机分析处理均基于数据仓库技术,并通过对系统数据仓库和模型库的研究而形成。通过综合应用数据仓库技术、OLAP技术和关联规则数据挖掘Aporiori算法,对商品流通企业的商品采购信息、商品存储信息、商品销售信息和客户关系信息等海量营业数据进行数据挖掘,并把数据挖掘的结果通过HTML5进行了呈现。通过商品流通企业的实际应用,本文对应用中发现的问题进行了有针对性的改进,从而更加贴合企业的使用需求,增强了商品流通企业的分析与决策能力。本文在查询性能改进方面,通过采用聚合表、索引视图、界面异步执行等措施,使系统查询性能大幅提升,最高的项目甚至有超过1000%的提升。在体系结构方面,本文充分考虑了商品流通企业具有多个经营场所的情况,除了增加了数据缓冲区来提高数据仓库的性能外,还通过增加通用元数据层、ETL服务器和中间数据库,在各营业场所服务器上执行分布式预处理等措施,大大提升了系统的性能。另外,本文通过精心分析,采用维映射的方式实现了跨主题域的查询,解决了数据仓库应用中跨主题域查询的难题。利用本系统挖掘出的规则应用,商品流通企业可以制定合适的采购、销售和仓储策略。本系统可以对商品流通企业的客户购买行为进行挖掘分析,也可以对商品销售和采购的数据进行综合分析,这对于商品流通企业的客户划分、仓储管理以及促销政策制定,均有实际的指导作用。该系统的实施大大提高了企业的决策效率,例如企业原先需要花费一整天来进行备货决策,而启用该系统后,利用该系统提供的数据分析结果,可将备货决策缩短到一个小时内完成。
陈锦青[8]（2014）在《基于数据挖掘的最低生活保障决策支持系统研究》文中指出随着民政各级救助业务运作的规范化及操作成熟性的提高,多年来民政部门积累了大量的最低生活保障原始数据。然而各个救助业务数据都是针对不同业务目标,相对独立地存放于各级数据库中,彼此间信息无法实现共享,从而导致民政部门决策分析人员无法从中提炼出有价值的信息。因此如何对这些异构、异协议的数据进行有效的采集、处理和使用成为目前民政部门亟待解决的一个重大难题。数据仓库和数据挖掘技术是近几年兴起的有关数据库和人工智能的新技术,它可以通过对大量数据进行聚类、分类及关联规则挖掘等操作,从多方位、多角度地分析统计数据,发现数据内在的联系和规律。因此将数据挖掘技术、数据仓库技术与民政部门最低生活保障决策分析相结合是一个势在必行的趋势。本文将数据仓库技术、联机分析处理技术和数据挖掘技术相结合,构建了基于数据挖掘的最低生活保障决策支持系统。首先,论文在简述决策支持系统、数据仓库技术、联机分析处理技术和数据挖掘技术的基础上,以某省最低生活保障信息系统为研究对象,结合笔者一年多在某省民政厅调研实习的成果,分析了目前最低生活保障决策支持的现状及存在问题,确定了该DSS的各大功能需求和系统建设的性能要求。其次,按照DSS的功能要求完成最低生活保障决策支持系统总体设计,包括数据仓库、联机分析处理模块、数据挖掘模块及前端界面层。其中,数据挖掘模型设计是本文重点探讨的部分。笔者构建了救助金需求预测模型和低保支出影响指标评价模型。在救助金需求预测模型中,基于ARIMA算法具备准确提取时间序列回归关系的能力对小波神经网络模型预测结果进行误差修正,从而确保WNN能以更大精度逼近实际救助金需求。而在低保支出影响指标评价模型中,先利用GA优化的神经网络算法确定评价指标权重,消除主观定权的影响,确保权值的有效性和实用性,然后再对属性赋权后的矩阵进行FCM聚类分析。最后,基于J2EE的分布式计算技术构建开发平台,采用多层架构的B/S模式完成决策支持系统的实现工作。通过该DSS系统的应用,民政各级分析人员可以随时、随地、方便、有效地从各种角度进行多维分析、智能查询和深层挖掘等操作,提高了办公效率和决策水平。另外,通过实证研究,结果表明本文改进的数据挖掘算法提高了预测的精度和聚类的有效性。
张文超[9]（2013）在《基于数据挖掘的高校学科建设决策支持系统研究与实现》文中研究说明学科是高等院校组织教学的基础单元，是培养人才、发展科技文化的结合点。加强学科建设已成为当代世界高等教育发展的趋势。随着计算机技术，网络技术的不断发展，高等院校均已实现了信息化管理，大量管理信息系统的使用形成了一个庞大的，能够生产大量有效分析数据的工厂。如何利用不断积累起来的信息数据为高校的学科建设服务，提高高校学科管理决策的客观性和科学性，已成为高校学科管理者亟待解决的问题，也成为国内外学者研究的一个热点课题。本文以高校学科建设为应用背景，在研究数据挖掘技术、决策支持系统技术的基础上，有效地利用高校管理信息系统产生的数据，探索学科发展的现象、趋势，揭示高校学科发展规律和特征，继承和发展决策支持系统在高校学科管理领域的新应用。课题首先将基于数据仓库的决策支持系统结构应用于高校学科建设，构建了高校学科建设决策支持系统的架构。该架构既遵循了传统决策支持系统的结构，又将传统结构加以扩展，有效的结合了数据挖掘技术和Web技术，使系统不但可以提供决策支持能力，同时具备一定的扩展能力和交互能力。其次，课题以北京市重点学科信息平台，北京市硕、博学位授权点信息平台等管理信息系统（MIS）提供的历史数据作为数据源，研究了高校学科建设数据仓库的多维数据模型，共建立了师资队伍、科研获奖、科研成果等事实表和时间、单位级别等维度表，实现了高校学科建设数据仓库的搭建。再次，课题通过研究数据挖掘决策树算法，在基于决策树C4.5的基础上，将贝叶斯理论应用于决策树的后剪枝操作中，研究并提出一种基于贝叶斯理论的决策树后剪枝算法，该算法运用贝叶斯后验定理对决策树每个分枝进行验证，将不满足条件的分枝从决策树中剪掉，从而使决策树得到精简，提升了整个算法的泛化能力。最终课题利用该算法实现了对重点学科审批预测模型的建立。得到重点学科审批预测结果之后，课题以市教委颁布的学科评价体系为基础，进一步研究一种基于粗糙集定权的多级模糊评价方法来建立高校学科质量综合评价模型，实现对该学科的综合评价。最终，本文结合所搭建的高校学科建设的决策支持系统架构、数据仓库以及所研究的数据挖掘算法，基于J2EE标准企业体系规范，采用MVC模式，完成并实现了一个B/S结构的高校学科建设的决策支持系统的原型系统。
刘岩[10]（2012）在《基于信息挖掘的决策支持系统设计与实现》文中提出近年来,·随着网络技术和信息技术的快速发展,企业的信息化建设不断稳定完善,企业内外各业务系统产生大量的数据和信息。而企业内部各系统的应用平台和存储平台较为独立,彼此间接口较难实现,数据很难实现数据共享和关联分析。因此,如何利用这些数据适时做出正确的决策,是企业经营管理的重要环节,建立一套适合企业实施的管理模式和决策工具具有重要的现实意义。本文综合考虑企业现有多个不同的管理信息系统和企业对有用信息的实际需求,为了能将这些孤立的系统进行有效整合,更好地适应了信息管理的智能化发展,提出了建立基于数据仓库和信息挖掘技术的新型决策支持系统的框架和实现途径。首先,本文分析了企业迫切需要从大量数据中挖掘出潜在的有用信息,指导管理者进行科学决策的背景,提出了构建决策支持系统来满足企业这种需求。文章综述了决策支持系统的现状,分析了数据仓库和信息挖掘技术以及它们的发展为决策支持系统的构建提供更加强大的技术支持。其次,对决策支持系统相关理论进行了概述,分析了传统决策支持系统存在的问题。介绍了数据仓库和信息挖掘技术及其强大的数据管理和数据分析功能。将数据仓库和信息挖掘与决策支持系统有机结合,构建新型决策支持系统。然后,依据信息系统开发的过程,对新型决策系统进行总体架构设计。对系统进行需求分析,详细介绍系统设计与实现的过程,包括系统管理模块、数据仓库和信息挖掘模块的设计与实现。最后,文章以广州供电局决策支持系统开发与应用为例,介绍了新型决策支持系统的设计的解决方案和系统构建过程,分析了系统的特点和系统的应用。
二、基于数据仓库的决策支持系统研究与应用（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、基于数据仓库的决策支持系统研究与应用（论文提纲范文）
（1）森林资源数据仓库管理系统研建与数据分析应用技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 森林资源异构数据集成的研究现状 |
| 1.2.2 数据仓库在林业上的应用研究 |
| 1.2.3 ETL技术的研究 |
| 1.2.4 OLAP技术的研究 |
| 1.2.5 林业数据挖掘技术的研究 |
| 1.2.6 小结 |
| 1.3 研究目标和内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 研究拟解决的关键问题 |
| 1.4 研究方法与研究技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 研究的技术路线 |
| 1.5 研究数据 |
| 1.6 项目来源与经费支持 |
| 1.7 论文组织结构 |
| 2 研究的理论与技术基础 |
| 2.1 数据仓库技术 |
| 2.1.1 数据仓库的概念 |
| 2.1.2 数据仓库建模方法 |
| 2.2 ETL技术 |
| 2.3 OLAP技术 |
| 2.3.1 OLAP技术基本概念 |
| 2.3.2 多维分析的基本操作 |
| 2.4 数据挖掘技术 |
| 2.4.1 数据挖掘的概念 |
| 2.4.2 常用的森林资源数据挖掘算法 |
| 2.5 本章小结 |
| 3 森林资源数据仓库设计与构建 |
| 3.1 森林资源小班数据仓库设计 |
| 3.1.1 概念模型设计 |
| 3.1.2 逻辑模型设计 |
| 3.1.3 物理模型设计 |
| 3.2 标准地/样地数据仓库设计 |
| 3.2.1 逻辑模型设计 |
| 3.2.2 物理模型设计 |
| 3.3 本章小结 |
| 4 森林资源异构数据的ETL技术研究 |
| 4.1 森林资源异构数据ETL需求分析 |
| 4.2 数据抽取子模型 |
| 4.3 数据转换子模型 |
| 4.3.1 数据清洗模块 |
| 4.3.2 数据转换模块 |
| 4.4 数据加载子模型 |
| 4.5 本章小结 |
| 5 森林资源数据仓库数据分析实例 |
| 5.1 OLAP与数据挖掘 |
| 5.2 森林资源数据OLAP技术应用 |
| 5.2.1 多维数据立方体的建立 |
| 5.2.2 森林生产功能分析 |
| 5.2.3 龄组、林种多样性及动态变化分析 |
| 5.3 森林资源数据挖掘技术应用 |
| 5.3.1 适地适树规则提取 |
| 5.3.2 生长收获预测模型拟合 |
| 5.4 本章小结 |
| 6 森林资源数据仓库管理系统的研建 |
| 6.1 系统需求分析 |
| 6.1.1 用户需求分析 |
| 6.1.2 功能需求分析 |
| 6.2 系统结构设计 |
| 6.2.1 系统体系结构设计 |
| 6.2.2 系统功能结构设计 |
| 6.3 森林资源数据仓库管理系统运行实例 |
| 6.3.1 异构数据源获取 |
| 6.3.2 数据清洗、转换 |
| 6.3.3 数据仓库管理 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 致谢 |
（2）数据仓库和联机分析在医院数据决策分析的研究和应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.3 论文研究目的 |
| 1.4 论文组织结构 |
| 2 相关理论和关键技术 |
| 2.1 数据仓库和数据库 |
| 2.1.1 数据仓库和数据库的特点 |
| 2.1.2 数据仓库与操作数据库区别 |
| 2.2 联机分析技术 |
| 2.2.1 联机分析系统组件 |
| 2.2.2 联机分析体系结构 |
| 2.2.3 联机分析规则 |
| 2.2.4 联机分析、数据挖掘和数据仓库的关联 |
| 2.3 本章小结 |
| 3 需求分析和数据仓库设计 |
| 3.1 需求分析 |
| 3.1.1 医院历史数据文件 |
| 3.1.2 医院总体需求 |
| 3.2 整体设计 |
| 3.2.1 解决方案 |
| 3.2.2 方案整体架构 |
| 3.2.3 系统开发环境和工具 |
| 3.3 数据仓库设计 |
| 3.3.1 数据仓库主题 |
| 3.3.2 维度设计 |
| 3.3.3 维表设计 |
| 3.3.4 事实表设计 |
| 3.3.5 逻辑模型设计 |
| 3.4 本章小结 |
| 4 医院数据分析决策应用 |
| 4.1 数据清理 |
| 4.1.1 数据抽取 |
| 4.1.2 数据有效性检查 |
| 4.1.3 数据转换 |
| 4.1.4 数据载入 |
| 4.2 联机分析应用 |
| 4.2.1 建立多维数据集 |
| 4.2.2 联机分析技术应用 |
| 4.2.3 图形化数据分析 |
| 4.3 决策支持建议 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
| 附录 |
（3）数据仓库技术在高校招生就业决策中的应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要目标 |
| 1.4 论文主要工作 |
| 1.5 论文的组织 |
| 第2章相关技术与理论 |
| 2.1 数据仓库技术 |
| 2.2 OLAP技术 |
| 2.3 数据挖掘技术 |
| 2.4 决策支持系统技术 |
| 第3章业务流程和模型 |
| 3.1 某大学基本情况 |
| 3.2 招生业务流程和模型 |
| 3.2.1 高职院校招生业务流程 |
| 3.2.2 录取业务流程 |
| 3.2.3 系统登录与退出业务流程 |
| 3.2.4 新生报到业务流程 |
| 3.3 就业业务流程和模型 |
| 3.3.1 基本信息管理 |
| 3.3.2 毕业生管理流程 |
| 3.3.3 招聘管理业务流程 |
| 3.3.4 就业指导管理业务流程 |
| 3.3.5 签约管理业务流程 |
| 3.3.6 就业推荐管理业务流程 |
| 3.3.7 就业统计管理业务流程 |
| 第4章 招生就业决策数据仓库的设计与分析 |
| 4.1 需求分析 |
| 4.1.1 确定决策主题 |
| 4.1.2 系统结构需求 |
| 4.1.3 系统功能模块需求 |
| 4.1.4 系统开发环境需求 |
| 4.1.5 决策方案需求 |
| 4.2 决策数据仓库的设计与分析 |
| 4.2.1 数据仓库体系结构 |
| 4.2.2 招生就业数据仓库建模 |
| 第5章基于决策树算法的改进 |
| 5.1 决策树算法基本思想 |
| 5.1.1 决策树的生成 |
| 5.1.2 决策树的剪枝 |
| 5.2 常见决策树算法描述 |
| 5.2.1 ID3算法 |
| 5.2.2 C4.5 算法 |
| 5.2.3 CART算法 |
| 5.3 优化决策树算法 |
| 5.3.1 属性值空缺的优化 |
| 5.3.2 简化熵 |
| 5.4 克服属性选择的多值偏向优化 |
| 5.4.1 基于修正函数的算法 |
| 5.4.2 加权简化熵算法 |
| 5.4.3 基于用户兴趣度的简化熵算法 |
| 第6章招生就业决策系统的实现与应用 |
| 6.1 招生就业决策数据仓库的实现 |
| 6.1.1 源数据准备 |
| 6.1.2 数据仓库的创建与ETL |
| 6.1.3 OLAP的实现 |
| 6.1.3.1 多维数据集的建立 |
| 6.1.3.2 基于OLAP立方下的数据分析 |
| 6.2 高校招生就业决策支持系统的实现应用 |
| 6.2.1 系统环境 |
| 6.2.2 系统运行结果 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（4）可拓室内设计数据挖掘研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及研究的目的与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究的目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 建筑及室内设计人工智能的相关研究 |
| 1.2.2 可拓学与可拓建筑学的相关研究 |
| 1.2.3 数据挖掘与可拓数据挖掘的相关研究 |
| 1.2.4 研究综述 |
| 1.3 研究的内容与方法 |
| 1.3.1 研究的内容 |
| 1.3.2 研究的方法 |
| 1.4 论文研究框架 |
| 第2章 可拓室内设计数据挖掘的基本理论 |
| 2.1 可拓室内设计的理论基础 |
| 2.1.1 可拓室内设计的概念与模型表达 |
| 2.1.2 可拓室内设计的思维模式 |
| 2.1.3 可拓室内设计的分析方法 |
| 2.2 可拓数据挖掘的理论基础 |
| 2.2.1 可拓集理论 |
| 2.2.2 可拓室内设计数据挖掘的内涵 |
| 2.3 可拓室内设计数据挖掘的特点 |
| 2.3.1 面向可拓室内设计的可拓数据挖掘的特点 |
| 2.3.2 基于可拓数据挖掘的可拓室内设计的优势 |
| 2.4 可拓室内设计数据挖掘的任务与目标知识类型 |
| 2.4.1 描述性任务 |
| 2.4.2 预测性任务 |
| 2.4.3 目标知识类型 |
| 2.5 本章小结 |
| 第3章 可拓室内设计数据仓库的设计 |
| 3.1 建构可拓室内设计数据仓库的基础 |
| 3.1.1 可拓室内设计数据仓库与现有数据库的区别 |
| 3.1.2 数据库和数据仓库的平台选择 |
| 3.1.3 数据仓库的数据基础 |
| 3.1.4 数据仓库与联机分析处理技术 |
| 3.2 可拓室内设计数据仓库设计的原则 |
| 3.2.1 面向主题原则 |
| 3.2.2 双轮驱动原则 |
| 3.2.3 原型设计原则 |
| 3.3 可拓室内设计数据仓库的构成 |
| 3.3.1 基础数据仓库 |
| 3.3.2 可拓数据仓库 |
| 3.3.3 知识仓库 |
| 3.4 可拓室内设计数据仓库的拓点结构 |
| 3.4.1 量值拓点的关系体系 |
| 3.4.2 特征拓点的关系体系 |
| 3.5 本章小结 |
| 第4章 可拓室内设计数据挖掘方法 |
| 4.1 可拓室内设计分类挖掘方法 |
| 4.1.1 可拓室内设计分类挖掘方法阐释 |
| 4.1.2 确立分类挖掘设计问题 |
| 4.1.3 基于设计问题类别数据域的建立 |
| 4.1.4 基于可拓分析的可拓集建立与可拓挖掘 |
| 4.1.5 实例解析 |
| 4.2 可拓室内设计聚类挖掘方法 |
| 4.2.1 可拓室内设计聚类挖掘方法阐释 |
| 4.2.2 确立聚类挖掘设计问题 |
| 4.2.3 基于设计问题聚类特征树的建立 |
| 4.2.4 基于聚类分析的叶节点聚类与可拓挖掘 |
| 4.2.5 实例解析 |
| 4.3 可拓室内设计关联挖掘方法 |
| 4.3.1 可拓室内设计关联挖掘方法阐释 |
| 4.3.2 确立关联挖掘设计问题 |
| 4.3.3 基于设计问题数据项集的建立 |
| 4.3.4 基于关联分析的频繁项集发现与可拓挖掘 |
| 4.3.5 实例解析 |
| 4.4 可拓室内设计离群点挖掘方法 |
| 4.4.1 发散式挖掘 |
| 4.4.2 传导式挖掘 |
| 4.4.3 共轭式挖掘 |
| 4.4.4 转换桥式挖掘 |
| 4.5 本章小结 |
| 第5章 可拓室内设计数据挖掘的知识成果及其应用 |
| 5.1 可拓室内设计数据挖掘的形态要素型知识及其应用 |
| 5.1.1 挖掘的形态要素型知识 |
| 5.1.2 挖掘的形态要素型知识直接应用 |
| 5.1.3 挖掘的形态要素型知识可拓应用 |
| 5.2 可拓室内设计数据挖掘的主题风格型知识及其应用 |
| 5.2.1 挖掘的主题风格型知识 |
| 5.2.2 挖掘的主题风格型知识直接应用 |
| 5.2.3 挖掘的主题风格型知识可拓应用 |
| 5.3 可拓室内设计数据挖掘的文化特征型知识及其应用 |
| 5.3.1 挖掘的文化特征型知识 |
| 5.3.2 挖掘的文化特征型知识直接应用 |
| 5.3.3 挖掘的文化特征型知识可拓应用 |
| 5.4 可拓室内设计数据挖掘的行为与情境体验型知识及其应用 |
| 5.4.1 挖掘的行为体验型知识 |
| 5.4.2 挖掘的情境体验型知识 |
| 5.4.3 挖掘的行为与情境体验型知识直接应用 |
| 5.4.4 挖掘的行为与情境体验型知识可拓应用 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文及其它成果 |
| 致谢 |
| 个人简历 |
（5）基于数据仓库的医院数据分析与决策支持系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文的研究意义和内容 |
| 1.4 本文的组织结构 |
| 第二章 相关理论和关键技术 |
| 2.1 数据仓库 |
| 2.1.1 数据仓库的产生 |
| 2.1.2 数据仓库的特性 |
| 2.1.3 ETL和元数据 |
| 2.1.4 数据仓库的系统结构 |
| 2.2 OLAP概述 |
| 2.2.1 OLAP的基本概念 |
| 2.2.2 OLAP的分析方法 |
| 2.2.3 OLAP的数据模型 |
| 2.3 决策支持系统概述 |
| 2.3.1 决策支持系统的概念 |
| 2.3.2 决策支持系统的组成 |
| 2.3.3 商业智能 |
| 2.4 本章小结 |
| 第三章 数据分析与决策支持系统的设计 |
| 3.1 系统需求分析 |
| 3.1.1 课题研究对象 |
| 3.1.2 需求分析概述 |
| 3.2 系统的主题设计 |
| 3.3 系统的结构设计 |
| 3.4 数据源概述 |
| 3.5 数据仓库设计 |
| 3.5.1 数据抽取 |
| 3.5.2 数据清洗和转换 |
| 3.5.3 数据加载 |
| 3.6 OLAP设计 |
| 3.6.1 门诊量主题 |
| 3.6.2 门诊收入主题 |
| 3.6.3 门诊诊断主题 |
| 3.6.4 住院费用主题 |
| 3.6.5 住院诊断主题 |
| 3.7 应用展示层设计 |
| 3.8 本章小结 |
| 第四章 数据分析与决策支持系统的实现 |
| 4.1 数据仓库层的实现 |
| 4.1.1 数据的ETL |
| 4.1.2 数据仓库的实现 |
| 4.2 OLAP层的实现 |
| 4.3 应用展示层的实现 |
| 4.3.1 多维数据集浏览器 |
| 4.3.2 Excel的数据透视表和数据透视图 |
| 4.3.3 浏览器可视化展示 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 附录 |
| 参考文献 |
| 致谢 |
（6）决策支持系统对零售业务支持的研究 ——以中石化易捷便利店为例（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究的背景 |
| 1.2 研究的目的和意义 |
| 1.3 国内外研究现状 |
| 1.4 研究内容及研究方法 |
| 2 中石化非油品业务和信息系统发展现状以及面临的问题 |
| 2.1 中石化非油品销售业务现状及存在问题分析 |
| 2.1.1 销售业务现状及其问题分析 |
| 2.1.2 销售业绩现状及其问题分析 |
| 2.2 中石化非油品信息系统应用现状及存在问题分析 |
| 2.2.1 信息系统功能及数据现状 |
| 2.2.2 信息系统架构 |
| 2.2.3 信息系统主要存在的问题 |
| 2.3 经营决策支持在信息系统中实现的意义 |
| 3 根据业务需求对信息系统的优化方案分析 |
| 3.1 中石化易捷便利店经营决策支持系统总体设计 |
| 3.2 中石化易捷便利店经营决策支持系统需求分析 |
| 3.3 中石化易捷便利店经营决策支持系统功能 |
| 4 决策支持在信息系统中的实现 |
| 4.1 决策支持 |
| 4.2 预测分析 |
| 4.3 数据挖掘 |
| 4.4 统计分析 |
| 4.5 自助分析 |
| 5 实施中石化易捷便利店经营决策支持系统的措施 |
| 5.1 系统成功实施的要素 |
| 5.2 系统运行管理 |
| 6 结论 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 致谢 |
（7）基于数据仓库的商品流通企业决策分析系统的研究与开发（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 本课题的背景及意义 |
| 1.1.1 本课题的背景及可行性分析 |
| 1.1.2 本课题的目的和意义 |
| 1.2 本课题的主要研究内容 |
| 1.2.1 数据仓库 |
| 1.2.2 联机分析技术 |
| 1.2.3 数据挖掘 |
| 1.3 本文的组织结构 |
| 第二章 相关技术研究 |
| 2.1 数据仓库技术 |
| 2.1.1 数据仓库概念 |
| 2.1.2 数据仓库的体系结构 |
| 2.1.3 数据仓库模型设计 |
| 2.1.4 数据仓库的抽取、转换和加载 |
| 2.1.5 数据仓库技术的最新发展 |
| 2.2 联机分析技术 |
| 2.2.1 联机分析技术简述 |
| 2.2.2 Microsoft Analysis Services中两种分析模型的比较 |
| 2.2.3 联机分析技术的最新发展 |
| 2.3 数据挖掘技术 |
| 2.3.1 数据挖掘简述 |
| 2.3.2 数据挖掘模型和步骤 |
| 2.3.3 关联规则挖掘和Apriori算法 |
| 2.3.4 Apriori算法的改进研究 |
| 2.4 HTML5 网页设计技术 |
| 2.5 基于数据仓库的的商品流通企业决策分析系统 |
| 2.6 小结 |
| 第三章 决策分析系统的需求分析 |
| 3.1 应用背景 |
| 3.2 需求分析 |
| 3.2.1 数据导入功能需求 |
| 3.2.2 销售策略分析的功能需求 |
| 3.2.3 商品库存分析的功能需求 |
| 3.2.4 采购策略分析的功能需求 |
| 3.2.5 企业客户关系分析的功能需求 |
| 3.3 系统体系结构 |
| 3.4 小结 |
| 第四章 决策分析系统的设计与实现 |
| 4.1 系统体系结构设计 |
| 4.2 数据仓库模型设计 |
| 4.2.1 概念模型设计 |
| 4.2.2 逻辑模型设计 |
| 4.2.3 物理模型设计 |
| 4.3 数据预处理过程模型设计 |
| 4.4 元数据存储平台设计 |
| 4.5 决策分析系统的实现 |
| 4.5.1 实现数据导入模块 |
| 4.5.2 创建数据仓库 |
| 4.5.3 创建多维数据集 |
| 4.5.4 关联规则数据挖掘功能实现 |
| 4.5.5 数据分析结果展示功能实现 |
| 4.6 实际应用中的问题以及改进 |
| 4.6.1 查询性能问题的分析和改进 |
| 4.6.2 分布式数据来源的数据统一性问题以及改进 |
| 4.6.3 组合多个主题域的问题 |
| 4.7 小结 |
| 第五章 系统测试、运行与评价 |
| 5.1 系统测试 |
| 5.2 测试用例设计 |
| 5.3 系统测试结果 |
| 5.4 系统评价 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 结论 |
| 6.2 下一步工作展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（8）基于数据挖掘的最低生活保障决策支持系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第—章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究目标、内容和创新点 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 论文创新点 |
| 第二章 理论基础 |
| 2.1 决策支持系统概述 |
| 2.1.1 决策支持系统的定义 |
| 2.1.2 决策支持系统体系结构 |
| 2.2 数据仓库 |
| 2.2.1 数据仓库的结构 |
| 2.2.2 数据仓库系统 |
| 2.3 联机分析处理(OLAP) |
| 2.4 数据挖掘 |
| 2.4.1 数据挖掘的定义 |
| 2.4.2 数据挖掘的过程 |
| 2.4.3 数据挖掘任务 |
| 2.4.4 相关算法和技术 |
| 2.5 本章小结 |
| 第三章 最低生活保障DSS的需求分析 |
| 3.1 最低生活保障决策支持现状分析 |
| 3.1.1 决策支持数据来源 |
| 3.1.2 决策统计的结构及流程 |
| 3.1.3 决策支持存在的问题 |
| 3.2 功能需求分析 |
| 3.3 性能需求分析 |
| 3.4 本章小结 |
| 第四章 基于数据挖掘的最低生活保障DSS的设计 |
| 4.1 系统总体设计 |
| 4.2 数据仓库设计 |
| 4.2.1 数据建模 |
| 4.2.2 ETL设计 |
| 4.3 联机分析处理设计 |
| 4.4 数据挖掘模型的构建 |
| 4.4.1 救助金需求预测模型 |
| 4.4.2 低保支出影响指标评价模型 |
| 4.5 前端界面层设计 |
| 4.6 本章小结 |
| 第五章 基于数据挖掘的最低生活保障DSS的实现与应用 |
| 5.1 系统开发平台与技术路线 |
| 5.2 数据仓库的开发 |
| 5.2.1 建立数据源 |
| 5.2.2 ETL方案的实现 |
| 5.3 多维分析主题展示 |
| 5.3.1 OLAP的功能 |
| 5.3.2 OLAP主题应用 |
| 5.4 数据挖掘模型在DSS中的应用 |
| 5.4.1 救助金需求预测模型 |
| 5.4.2 低保支出影响指标评价模型 |
| 5.4.3 数据挖掘模型应用效果分析 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 个人简历及科研成果 |
（9）基于数据挖掘的高校学科建设决策支持系统研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状及问题分析 |
| 1.2.1 决策支持系统研究发展与现状 |
| 1.2.2 我国决策支持系统现状与问题分析 |
| 1.3 决策支持系统相关技术 |
| 1.3.1 数据仓库与 OLAP 技术 |
| 1.3.2 数据挖掘技术 |
| 1.4 课题研究内容 |
| 1.5 本文组织结构 |
| 第2章 高校学科建设决策支持系统总体架构 |
| 2.1 系统体系架构设计 |
| 2.2 数据集成模块 |
| 2.3 应用程序模块 |
| 2.4 系统服务模块 |
| 2.5 本章小结 |
| 第3章 高校学科建设数据仓库设计 |
| 3.1 原数据选取 |
| 3.2 数据预处理 |
| 3.2.1 数据清理 |
| 3.2.2 数据集成 |
| 3.2.3 数据变换 |
| 3.2.4 数据规约 |
| 3.3 多维数据模型建立 |
| 3.4 本章小结 |
| 第4章 重点学科审批预测数据挖掘模型 |
| 4.1 数据挖掘预测模型建立方法 |
| 4.2 决策树分类算法的选取 |
| 4.2.1 数据挖掘分类算法 |
| 4.2.2 算法的比较与选取 |
| 4.3 基于贝叶斯的决策树后剪枝算法 |
| 4.4 决策树后剪枝算法的实验验证 |
| 4.5 重点学科审批分类预测模型的建立 |
| 4.6 本章小结 |
| 第5章 高校学科综合评价数据挖掘模型 |
| 5.1 数据挖掘的高校学科综合评价模型 |
| 5.1.1 综合评价方法的对比 |
| 5.1.2 基于数据挖掘的评价模型提出 |
| 5.2 基于粗糙集的指标约简和权重分配 |
| 5.2.1 指标体系的建立 |
| 5.2.2 指标权重的确定 |
| 5.3 集成多层模糊评价方法 |
| 5.4 学科综合评价模型建立 |
| 5.5 本章小结 |
| 第6章 高校学科建设决策支持系统实现 |
| 6.1 系统开发模式选择 |
| 6.2 系统总体需求分析 |
| 6.3 开发架构与逻辑调用过程 |
| 6.4 系统功能实现 |
| 6.4.1 用户登陆模块的实现 |
| 6.4.2 数据管理模块的实现 |
| 6.4.3 重点学科审批预测模块的实现 |
| 6.5 本章小结 |
| 总结与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间所发表的学术论文 |
| 致谢 |
（10）基于信息挖掘的决策支持系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究综述 |
| 1.3.1 决策支持系统研究综述 |
| 1.3.2 信息挖掘和数据仓库技术的研究综述 |
| 1.3.3 电网决策支持系统存在的问题 |
| 1.4 研究思路与主要内容 |
| 1.5 论文篇章结构 |
| 第二章 相关理论概述 |
| 2.1 电网企业构建新型决策支持系统的必要性 |
| 2.2 新型决策支持系统技术理论 |
| 2.2.1 决策支持系统概述 |
| 2.2.2 数据仓库与信息挖掘的结合 |
| 2.3 基于信息挖掘与数据仓库的决策支持系统 |
| 第三章 新型决策支持系统构建 |
| 3.1 电网决策支持系统需求分析 |
| 3.2 决策支持系统工作流程 |
| 3.3 系统设计分析 |
| 3.3.1 系统设计总体目标 |
| 3.3.2 系统设计需求分析 |
| 3.4 系统结构与开发关键技术 |
| 第四章 新型决策支持系统设计与实现 |
| 4.1 新型决策支持系统模块与程序设计 |
| 4.1.1 系统模块划分 |
| 4.1.2 系统程序设计 |
| 4.2 系统管理子系统设计与实现 |
| 4.3 数据仓库系统设计与实现 |
| 4.3.1 数据仓库设计 |
| 4.3.3 数据仓库实现 |
| 4.4 信息挖掘模型系统设计与实现 |
| 4.4.1 信息挖掘系统平台分析 |
| 4.4.2 常用挖掘模型设计与实现 |
| 第五章 新型电网决策支持系统的应用 |
| 5.1 应用背景 |
| 5.2 解决方案介绍 |
| 5.3 系统构建及特点 |
| 5.4 系统应用 |
| 第六章 结论 |
| 参考文献 |
| 致谢 |
四、基于数据仓库的决策支持系统研究与应用（论文参考文献）
- [1]森林资源数据仓库管理系统研建与数据分析应用技术研究[D]. 许诗怡. 北京林业大学, 2020
- [2]数据仓库和联机分析在医院数据决策分析的研究和应用[D]. 田晚彤. 大连海事大学, 2019(07)
- [3]数据仓库技术在高校招生就业决策中的应用研究[D]. 张申. 北京工业大学, 2019(03)
- [4]可拓室内设计数据挖掘研究[D]. 马辉. 哈尔滨工业大学, 2018(01)
- [5]基于数据仓库的医院数据分析与决策支持系统的设计与实现[D]. 聂畅. 云南大学, 2018(01)
- [6]决策支持系统对零售业务支持的研究 ——以中石化易捷便利店为例[D]. 王龙救. 北京林业大学, 2018(04)
- [7]基于数据仓库的商品流通企业决策分析系统的研究与开发[D]. 黄浩. 上海交通大学, 2016(03)
- [8]基于数据挖掘的最低生活保障决策支持系统研究[D]. 陈锦青. 福州大学, 2014(10)
- [9]基于数据挖掘的高校学科建设决策支持系统研究与实现[D]. 张文超. 北京工业大学, 2013(03)
- [10]基于信息挖掘的决策支持系统设计与实现[D]. 刘岩. 复旦大学, 2012(03)