一、基于数据仓库和OLAP技术的高校决策支持系统的设计研究（论文文献综述）
赵菡[1]（2021）在《数据仓库和OLAP技术在农业生产决策系统中的应用研究》文中研究指明随着信息技术的不断发展,政府借助互联网、大数据和人工智能等新兴技术不断提升治理的现代化水平。农业数字管理是实现政府管理现代化的重要一环,其中,农业生产是农业管理中必不可少的一部分,但目前农业生产数据分散、数据量大、利用率低。该文利用数据同步工具ETL将适合主题的数据存入数据仓库,利用OLAP技术对数据多维分析,分析结果在农业生产决策系统中进行展示,为农业未来的发展决策提供科学依据。
胡俊敏[2]（2021）在《数据仓库技术在高校科研管理中的应用》文中提出高校科研管理系统在使用过程中,产生了大量科研数据,如何针对这些科研大数据展开有效分析,以提升科研管理质量,成为高校科研管理的一项重要工作。首先分析当下高校科研管理系统在数据统计分析方面存在的问题,提出将数据仓库技术应用于科研管理系统中,并进一步介绍如何进行高校科研管理数据仓库的设计,实现基于科研管理数据仓库的OLAP技术应用,为高校学科建设和专业建设的发展提供决策支持。
王云慧[3]（2021）在《基于Hadoop的农产品流通多维分析系统的研究与实现》文中认为
尹玉杰[4]（2021）在《《数据科学》（节选）英译汉翻译实践报告》文中进行了进一步梳理大数据正在改变着人们的工作、生活与思维模式,对文化、技术和学术研究产生深远影响。目前,大数据已受到各学科领域的高度关注,成为包括计算机科学和统计学在内的多个学科领域的新研究方向,表现出不同专业领域中的数据研究相互高度融合的趋势,进而促进了一门新学科的诞生——数据科学。《Data Science》是由都柏林理工学院计算机科学学院的教授约翰·D.凯莱赫（John D.Kelleher）及讲师布伦丹·蒂尔尼（Brendan Tierney）共同撰写,由麻省理工学院出版社出版。这本书提供了数据科学领域的发展历史和基本数据概念,并阐述了数据科学发展的各个阶段。译者从其中选取了“数据科学生态系统”和“机器学习”两个章节作为本次翻译材料。该节选部分文本包含14000多英文单词,译成目标语约22000多汉字。译者根据科技类文本的特点,以目的论为理论指导,对所节选材料进行英汉翻译,并撰写翻译实践报告,对具有典型意义的案例进行分析,对翻译实践进行总结。本报告共分为五个章节,分别为文本材料简介、翻译过程、目的论理论、案例分析和翻译总结。案例分析是本实践报告的重点章节。科技术语、缩略语、被动句和长难句等是翻译实践中的翻译难点。笔者从词汇、句法和篇章三个角度对难点进行分析,并提供了目的论指导下的相应解决办法。根据目的论三原则,在词汇的处理上,笔者主要采用了增译、词类转换、零翻译等技巧来再现原文意义;在句法层面,针对被动句和长难句,笔者采用了转换语态和拆分法来实现译文语句的可读性和可接受性;在篇章层面,笔者从语义连贯、逻辑连贯和文体连贯三个方面来讨论如何顺利地实现译文的整体连贯性。笔者期望此翻译实践报告对从事相关行业的人士提供一定的借鉴意义。
孙思瑞[5]（2021）在《基于Graph OLAM的并行分析挖掘系统的研究与实现》文中进行了进一步梳理随着社会的快速发展,各行各业的数据规模日益增大,如何对海量数据信息进行高效的提取挖掘成为了近年来的研究热点。而在各种不同的数据类型之中,图因为具有丰富的拓扑结构和维度信息,在复杂关系数据集建模中有着广泛的应用。在大规模网络数据分析这一领域,Graph OLAP技术和图挖掘技术均已成为基于图数据提供决策支持的重要技术。但是二者的发展过程差别很大,现有的研究很难将他们从根本上加以统一。针对目前的研究和发展现状,为了消除或减小这种差别,从而实现图联机分析处理技术（Graph OLAP）和图挖掘技术（Graph Mining）的紧密结合,本课题进行了以下内容的研究:1.Graph OLAM大规模多维网络挖掘框架的研究与设计:完善了Graph OLAM的理论框架与相关概念,一定程度上改善了 Graph OLAP技术和图挖掘技术难以结合的问题。统一并细化Graph OLAM的操作模式,设计元数据管理以及针对时序网络的图数据立方体存储模型,并从逻辑架构和实际操作两方面,搭建完整的Graph OLAM大规模多维网络挖掘框架。2.基于Graph OLAM技术的保险推荐算法及框架:为了解决保险网络的稀疏问题,完善网络的拓扑结构,本文应用Graph OLAM框架中的相关技术,将上卷下钻、聚集、网络表示学习等操作组合起来,将稀疏网络隐含的连接关系通过高层次聚合网络展现出来,设计RU-GOLAM算法,从而有效解决保险稀疏网络这一应用场景的推荐问题,具有较大的现实应用意义。3.基于Graph OLAM的并行分析挖掘系统:为了帮助用户快速使用网络分析挖掘算法进行网络分析,使用户不需要累计海量知识也可以应用本系统解决实际问题,本文结合现有的并行计算框架,搭建了一个基于Graph OLAM的并行分析挖掘系统,为用户提供图形化的大数据云计算应用服务解决方案。
陆姗姗[6]（2021）在《面向OLAP的存内查询优化技术研究》文中研究表明OLAP（Online Analytical Processing,联机分析处理）查询是数据库系统中典型的一类查询,其特点是查询频率较低,但通常会涉及到非常复杂的聚合计算。在回答涉及大数据量的聚合查询时,现有的SQL数据库系统需要引入大量的磁盘I/O来读取OLAP查询所需的原始数据,导致OLAP查询延迟无法达到用户的需求。针对OLAP查询优化问题,本论文提出了一种基于存内处理（PIM,Processing-In-Memory）的优化方案,用于加速OLAP中的聚合查询。本文分别在语句级和操作符级上设计了 Agile Query和Smarter Query两种查询优化方案,并进行了性能验证。总体而言,本论文的主要工作和贡献可总结为如下两个方面:1.提出了一种面向OLAP查询的语句级查询优化方法Agile Query。该方法包含了两个新的设计。首先,我们使用一个内存哈希索引来缓存聚合查询及对应的查询结果,新到达的聚合查询如果在内存索引中命中则可以直接返回结果,从而减少OLAP查询时的I/O操作次数。我们给出了详细的内存哈希索引设计以及相应的查询算法。其次,为了解决缓存更新问题,提出了一种增量式缓存更新策略,在确保缓存数据和原始数据之间一致性的前提下,避免了重新执行查询带来的额外I/O代价。2.提出了一种面向OLAP查询的操作符级查询优化方法Smarter Query。该方法在Agile Query基础上,提出了三方面的改进:（1）对数据分块缓存聚合操作结果,在新查询与已缓存查询存在数据范围重叠时最大程度复用已缓存的结果,减少回答新查询需要扫描的磁盘数据量;（2）提出基于代价的缓存替换策略,更合理地选择被淘汰的缓存数据,提高后续查询的命中率;（3）以操作符为缓存粒度更加灵活地复用缓存,不再需要查询语句相同时才命中,避免重复的请求再次触发数据移动和计算。我们在MySQL数据库上分别实现了这Agile Query和Smarter Query方法,并在不同大小的数据集和不同查询分布情况下进行了实验,与MySQL上的传统查询方法进行比较。结果表明,在Zipf查询分布下,Agile Query方案的吞吐量比MySQL高了9倍以上,而在随机和均匀的分布式查询下吞吐量也获得了 2-3倍的提升。同时,Smarter Query方案在Agile Query方案的基础上进一步提升了高于50%的性能。本文的研究工作为实现OLAP实时查询提供了可行的方案,对实时的大数据处理也有一定的参考价值。
杨彬[7]（2021）在《数据驱动的铁路机车油耗及维修决策分析研究》文中研究指明
田川[8]（2021）在《大数据多维建模分析平台的研究与实现》文中研究指明大数据多维分析平台旨在从多个角度、多个侧面观察和挖掘海量数据,经过专业的整合与分析,最后输出可视化数据或图表,帮助分析师和企业用户深入了解包含在数据中的信息和内涵。面对数据量和分析需求的爆发式增长,本文采用MOLAP（Multidimensional OLAP）的预计算技术突破传统ROLAP（Relational OLAP）平台的性能瓶颈,但其应用却存在以下问题与挑战:1)在预计算技术的应用中,多维数据模型的构建和优化过度依赖数据专家,当数据规模不断增加、数据分析需求频繁变化时,这种手动建模的方式会耗费大量人力;2)传统的多维模型优化算法存在由于评价指标单一（仅评价物化时间,过度追求物化视图的查询命中率）导致的超高维度时的维度灾难问题、以及物化视图集频繁抖动的问题;3)MOLAP由于查询场景固化,必须应用在混合引擎的系统中,然而在基于混合引擎的系统中,ROLAP和MOLAP引擎各有所长,系统难以在二者之间做出快速、合理的选择,亟需一种多维模型索引对查询路由提供支持。针对以上问题和需求,本文对大数据多维分析、预计算和多维数据索引等技术进行了深入的研究和分析,主要研究内容如下:（1）研究并实现了多维数据模型的自动构建及持续优化技术。通过分析历史查询任务提取元数据,在后台自动学习沉淀数据间的关联知识、构建数据表关联视图,以此为基础设计多维数据模型并进行物化,打通“原始数据—预计算—数据分析”的路径,并在多维数据模型使用的全生命周期对其进行监控和优化,使MOLAP的使用更加便捷化、智能化。（2）提出并实现了基于带权图的多维大数据模型优化算法。算法引入了新的评价指标:平均查询时延和膨胀率,有效权衡了查询性能和存储空间,解决维度灾难的隐患。并通过挖掘维度之间存在的关联信息划分聚合组,使数据模型适应探索式分析的需求,减少物化视图集的频繁抖动。（3）研究并实现了基于混合引擎的多维数据查询技术。提出了一种基于Cube生成树的Bitmap索引,并给出这种Bitmap索引的检索方法和整体查询路由策略,用于解决查询引擎的选择问题。这种Bitmap索引契合多维数据模型的结构,并且占用空间小、位运算速度快,为混合引擎的查询路由提供了一种高效的索引解决方案。最后,基于以上三方面的研究设计并实现了大数据多维建模分析平台,应用于国家重点研发计划项目“基于大数据的科技咨询技术与服务平台研发”中,验证了本文平台及方法的有效性及实用性。
黄伟[9]（2021）在《基于关联规则挖掘的计算机配件销售的应用研究》文中提出随着信息技术的不断发展与进步,当今人们日常活动过程中所产生的数据信息也逐渐变得越来越庞大,该如何在庞大的数据信息中挖掘出可以促进科学技术及社会发展的有用信息,这将是大数据时代中需要解决的难题。数据挖掘技术的出现促使人们可以在海量的数据信息中挖掘出有用的知识和信息、总结出相关规律,进而促使从表面上看原本无任何使用价值的数据信息发挥出巨大的利益价值。近年来计算机硬件的性能提升逐年放缓,智能手机已经占据了当代人们的生活,手机的更新速度与需求量已经远远的超过了个人电脑,许多用户对个人电脑的使用需求一再下降。目前的计算机销售行业面临着各种巨大的竞争和压力,行业如何在竞争中生存成为最严峻的问题。如何通过对计算机配件销售数据进行有效的分析,挖掘出有价值的关联信息来促进计算机配件销售,有较好地指导作用和应用价值。本文通过对关联规则以及经典的频繁项集挖掘算法Apriori的研究。针对Apriori算法要产生频繁项集需要对数据库进行多次扫描的缺陷,提出了相应的算法改进和优化,通过设定的最小支持度来进行剪枝,来减少对数据库的遍历次数,同时导入蘑菇数据集对改进算法的效率进行了实验分析,验证了改进的Apriori算法在计算时间有较好地提升。此外,结合当前DIY计算机配件的销售特点,建立了基于OLAP的多维数据模型的计算机配件销售数据。将改进的Apriori计算法与建立的OLAP多维数据有效地结合起来,减少了数据挖掘的开销,对某计算机销售公司的电脑DIY配件销售数据进行了挖掘和分析,根据得出的结果建议该公司修改销售策略,结果显示修改了销售策略之后,使公司的部分产品销售量在短时间内得到了显着的提升,为提高销售业绩提供了可靠的依据。
胡志刚,王欣,李海波[10]（2021）在《从商业智能到科研智能：智能化时代的科学学与科技管理》文中研究指明商业智能作为企业管理中一种数据驱动的智能化管理工具,可以显着提高企业的决策水平和管理能力。作为企业管理的兄弟领域,科技管理无论在信息化方面还是在智能化方面,与前者相比都有着不小的差距。在大数据和人工智能技术蓬勃发展的今天,科学学与科技管理能不能借鉴商业智能的工具和商科思维方式,更好的发挥数据在科技管理中的作用,决定科技管理未来能不能更好的服务于我国科技事业的发展需要。文章提出并梳理了科研智能的概念,总结了科研智能的理论渊源和发展路径,介绍了科研智能的整体框架和关键技术,并阐述了科研智能的学术价值和现实意义。
二、基于数据仓库和OLAP技术的高校决策支持系统的设计研究（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、基于数据仓库和OLAP技术的高校决策支持系统的设计研究（论文提纲范文）
（1）数据仓库和OLAP技术在农业生产决策系统中的应用研究（论文提纲范文）
| 1 引言 |
| 2 数据仓库与OLAP技术应用现状 |
| 2.1 数据仓库的应用 |
| 2.2 OLAP技术的应用现状 |
| 3 农业生产决策系统设计 |
| 3.1 维度模型 |
| 3.2 数据仓库技术ETL |
| 3.3 联机分析处理OLAP |
| 3.4 数据展示 |
| 4 结语 |
（2）数据仓库技术在高校科研管理中的应用（论文提纲范文）
| 1 高校科研管理系统数据统计分析方面存在的问题 |
| 2 高校科研管理数据仓库的设计 |
| 2.1 数据仓库建模 |
| 2.1.1 确定主题域 |
| 2.1.2 数据仓库概念模型的构建 |
| 2.1.3 数据仓库逻辑模型和物理模型的构建 |
| 2.2 ETL过程 |
| 3 基于高校科研管理数据仓库的OLAP技术应用 |
| 3 结论 |
（4）《数据科学》（节选）英译汉翻译实践报告（论文提纲范文）
| 摘要 |
| Abstract |
| Chapter1 Introduction |
| 1.1 Features of the Source Text |
| 1.2 Significance of the Translation Task |
| Chapter2 Process Description |
| 2.1 Preparation |
| 2.2 Schedule |
| 2.3 Proofreading |
| Chapter3 Skopos Theory |
| 3.1 The Three Rules of Skopos Theory |
| 3.2 The Guiding Significance of Skopos Theory |
| Chapter4 Case Analysis |
| 4.1 At Lexical Level |
| 4.1.1 Amplification |
| 4.1.2 Part-of-speech Conversion |
| 4.1.3 Technical Terms |
| 4.2 At Syntactic Level |
| 4.2.1 Passive Sentence |
| 4.2.2 Long and Difficult Sentence |
| 4.3 At Textual Level |
| 4.3.1 Semantic Coherence |
| 4.3.2 Logical Coherence |
| 4.3.3 Stylistic Coherence |
| Chapter5 Translation Summary |
| 5.1 Summary of Translation Strategies |
| 5.2 Gains and Limitations |
| References |
| Acknowledgements |
| AppendixⅠ:Source Text |
| AppendixⅡ:Target Text |
| AppendixⅢ:Term Bank |
（5）基于Graph OLAM的并行分析挖掘系统的研究与实现（论文提纲范文）
| 摘要 |
| 英文摘要 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 研究内容 |
| 1.3.1 Graph OLAM大规模多维网络挖掘框架的研究与设计 |
| 1.3.2 基于Graph OLAM技术的RU-GOLAM保险推荐算法及框架 |
| 1.3.3 基于Graph OLAM的并行分析挖掘系统 |
| 1.4 论文组织与结构 |
| 第二章 相关概念及相关工作 |
| 2.1 框架核心与关键技术 |
| 2.1.1 传统OLAP技术与Graph OLAP |
| 2.1.2 图挖掘技术OLAM技术 |
| 2.1.3 大规模网络分析框架与图概要技术 |
| 2.1.4 社交网络推荐技术 |
| 2.2 系统架构相关概念和技术 |
| 2.2.1 系统架构相关概念 |
| 2.2.2 分布式计算相关概念 |
| 2.3 本章小结 |
| 第三章 Graph OLAM大规模多维网络挖掘框架的研究与设计 |
| 3.1 Graph OLAM核心功能框架 |
| 3.2 面向分析应用的逻辑架构搭建 |
| 3.3 Graph OLAM核心技术 |
| 3.3.1 操作统一模式的总结与划分 |
| 3.3.2 T-P&D数据存储模型设计及实验验证 |
| 3.4 本章小结 |
| 第四章 基于Graph OLAM技术的保险推荐算法及框架 |
| 4.1 需求分析 |
| 4.2 RU(Roll＿Up)-GOLAM推荐框架 |
| 4.3 基于Graph OLAM技术的稀疏网络推荐算法 |
| 4.4 实验验证 |
| 4.5 本章小结 |
| 第五章 基于Graph OLAM的并行分析挖掘系统 |
| 5.1 系统需求分析 |
| 5.1.1 系统用户角色分析 |
| 5.1.2 功能需求 |
| 5.1.3 非功能需求 |
| 5.2 系统架构设计 |
| 5.2.1 UI应用层 |
| 5.2.2 系统核心功能层 |
| 5.2.3 数据存储层 |
| 5.3 系统详细设计与实现 |
| 5.3.1 用户管理模块 |
| 5.3.2 数据交互模块 |
| 5.3.3 Graph OLAM分析&结果展示模块 |
| 5.3.4 数据库与存储设计 |
| 5.4 系统测试 |
| 5.4.1 测试环境 |
| 5.4.2 功能测试 |
| 5.4.3 性能测试 |
| 5.5 应用实例 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文目录 |
（6）面向OLAP的存内查询优化技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 通用数据库查询优化技术 |
| 1.2.2 面向OLAP的查询优化技术 |
| 1.2.3 存内处理 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第2章 相关工作 |
| 2.1 OLTP和OLAP |
| 2.2 基于存内处理的研究 |
| 2.3 常见的内存替换策略 |
| 2.4 本章小结 |
| 第3章 语句级存内查询优化方案 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 触发器 |
| 3.2.2 哈希表 |
| 3.3 语句级存内查询优化方案 |
| 3.3.1 内存哈希索引 |
| 3.3.2 哈希表增量更新算法 |
| 3.3.3 Agile Query的执行过程 |
| 3.4 实验设计与分析 |
| 3.4.1 TPC-H基准 |
| 3.4.2 查询分布 |
| 3.4.3 实验配置 |
| 3.4.4 实验结果 |
| 3.5 本章小结 |
| 第4章 操作符级存内查询优化方案 |
| 4.1 引言 |
| 4.2 操作符级存内查询优化方案 |
| 4.2.1 分块缓存 |
| 4.2.2 用户自定义函数 |
| 4.2.3 基于代价的缓存替换策略 |
| 4.2.4 内存哈希索引 |
| 4.2.5 SmarterQuery的执行过程 |
| 4.3 实验设计与分析 |
| 4.3.1 实验配置 |
| 4.3.2 实验结果 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 下一步的研究工作 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（8）大数据多维建模分析平台的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多维数据模型建模的研究现状 |
| 1.2.2 多维数据模型优化算法研究现状 |
| 1.2.3 多维数据模型索引技术研究现状 |
| 1.3 硕士在读期间主要工作 |
| 1.4 研究内容与论文工作 |
| 1.5 论文组织结构 |
| 第二章 相关技术及理论研究 |
| 2.1 联机分析处理技术OLAP |
| 2.1.1 OLAP基本概念 |
| 2.1.2 多维数据立方体Cube |
| 2.1.3 OLAP多维数据分析操作 |
| 2.2 多维大数据存储及查询引擎 |
| 2.2.1 数据仓库和列式存储 |
| 2.2.2 ROLAP查询引擎Spark SQL |
| 2.2.3 MOLAP查询引擎Kylin |
| 2.3 预计算原理及构建方法 |
| 2.3.1 基于Spark的逐层构建方法 |
| 2.3.2 快速构建算法 |
| 2.4 本章小结 |
| 第三章 多维数据模型的自动构建及持续优化技术 |
| 3.1 研究挑战 |
| 3.2 数据语料的采集及分析 |
| 3.3 多维模型及数据立方体的设计 |
| 3.3.1 数据表关联模型的设计 |
| 3.3.2 多维数据立方体Cube的设计 |
| 3.3.3 多维数据立方体Cube的构建 |
| 3.4 多维数据模型的全生命周期优化 |
| 3.4.1 总体优化流程 |
| 3.4.2 初次构建时的优化 |
| 3.4.3 Cube运行时的持续优化 |
| 3.5 本章小结 |
| 第四章 基于带权图的多维大数据模型优化算法 |
| 4.1 研究挑战 |
| 4.2 评价指标及其估算 |
| 4.2.1 查询时延 |
| 4.2.2 膨胀率 |
| 4.3 基于贪心思想的聚合组划分 |
| 4.4 目标函数 |
| 4.5 算法步骤 |
| 4.6 实验设置及结果分析 |
| 4.6.1 实验设计和评价指标 |
| 4.6.2 实验环境和数据 |
| 4.6.3 实验结果分析 |
| 4.7 本章小结 |
| 第五章 基于混合引擎的多维数据查询技术 |
| 5.1 研究挑战 |
| 5.2 构建基于Cube生成树的Bitmap索引 |
| 5.2.1 Cube生成树 |
| 5.2.2 建立维度字典 |
| 5.2.3 构建Bitmap索引 |
| 5.3 基于Bitmap索引的混合引擎查询路由 |
| 5.3.1 Bitmap索引的逻辑运算 |
| 5.3.2 检索Bitmap索引 |
| 5.3.3 查询路由整体流程 |
| 5.4 实验分析 |
| 5.4.1 实验环境及数据 |
| 5.4.2 实验设计与结果分析 |
| 5.5 本章小结 |
| 第六章 大数据多维建模分析平台的设计与实现 |
| 6.1 需求分析 |
| 6.1.1 系统业务需求分析 |
| 6.1.2 系统功能需求分析 |
| 6.2 平台架构设计 |
| 6.2.1 功能结构设计 |
| 6.2.2 技术架构设计 |
| 6.2.3 整体架构设计 |
| 6.3 数据库设计 |
| 6.4 模块设计及实现 |
| 6.4.1 数据管理模块 |
| 6.4.2 自动建模、持续优化模块 |
| 6.4.3 多维数据分析模块 |
| 6.4.4 多维数据可视化模块 |
| 6.5 系统测试与评估 |
| 6.5.1 页面展示 |
| 6.5.2 系统测试 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（9）基于关联规则挖掘的计算机配件销售的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要内容 |
| 第二章 Apriori算法和OLAP相关技术 |
| 2.1 数据挖掘与关联规则 |
| 2.2 Apriori算法概述与缺陷 |
| 2.2.1 Apriori算法概述 |
| 2.2.2 Apriori算法缺陷 |
| 2.3 OLAP技术 |
| 2.3.1 数据仓库概述 |
| 2.3.2 OLAP概念与相关技术 |
| 2.3.3 多维数据模型分析 |
| 2.4 本章小结 |
| 第三章 基于Apriori的改进算法 |
| 3.1 Apriori算法的优化方法 |
| 3.2 本文的Apriori改进算法 |
| 3.3 改进算法的仿真实验与结果分析 |
| 3.4 本章小结 |
| 第四章 基于Apriori改进算法的计算机配件销售应用研究 |
| 4.1 计算机配件销售数据来源及预处理 |
| 4.2 Apriori改进算法与OLAP的模型建立 |
| 4.3 计算机配件销售数据维度表和事实表的建立 |
| 4.4 计算机配件销售数据挖掘的结果研究与分析 |
| 4.5 本章小结 |
| 第五章 论文总结与展望 |
| 5.1 论文总结 |
| 5.2 论文不足 |
| 5.3 论文展望 |
| 参考文献 |
| 致谢 |
（10）从商业智能到科研智能：智能化时代的科学学与科技管理（论文提纲范文）
| 0 引言 |
| 1 科研智能的概念提出和理论渊源 |
| 1.1 科研智能是商业智能技术在科研领域的应用 |
| 1.1.1 商业智能：基于数据仓库的企业管理方案 |
| 1.1.2 科研智能：让大数据和智能化时代的福祉惠及科研领域 |
| 1.2 科研智能是科学信息化和科学计量学发展的时代需要 |
| 1.2.1 从科研信息化到科研智能：科研数据基础设施建设到软件建设的转换 |
| 1.2.2 从科学计量学到科研智能：科研数据的信息分解到信息整合的转换 |
| 2 科研智能的整体框架和技术实现 |
| 2.1 科研智能的一般流程和方法 |
| 2.1.1 整合多源科研数据，进行维度建模并搭建科研数据仓库 |
| 2.1.2 结合商业智能工具，实现数据的可视化展示和动态交互 |
| 2.1.3 利用数据挖掘技术，挖掘隐藏着科研数据之间的知识关联 |
| 2.2 科研智能中的关键技术与实现 |
| 2.2.1 如何针对半结构化与非结构化数据构建多源异构数据库 |
| 2.2.2 如何实现静态非交互知识图谱向动态交互可视化图表转变 |
| 2.2.3 如何建立面向科技政策和科研管理的科研智能模块和流程 |
| 3 科研智能赋能智能化时代的科学学与科技管理 |
| 3.1 科研智能是推进我国建设世界科技强国的必然需求 |
| 3.2 科研智能是科研机构改进科技管理工作的必然要求 |
| 3.3 科研智能的主要应用场景和典型案例 |
| 3.3.1 利用科研智能实现科技成果的一体化数据管理 |
| 3.3.2 利用科研智能实现各类科研信息的多维数据分析 |
| 3.3.3 利用科研智能实现面向学科建设规划的数据挖掘 |
| 4 结语 |
四、基于数据仓库和OLAP技术的高校决策支持系统的设计研究（论文参考文献）
- [1]数据仓库和OLAP技术在农业生产决策系统中的应用研究[J]. 赵菡. 安徽农学通报, 2021(17)
- [2]数据仓库技术在高校科研管理中的应用[J]. 胡俊敏. 周口师范学院学报, 2021(05)
- [3]基于Hadoop的农产品流通多维分析系统的研究与实现[D]. 王云慧. 浙江海洋大学, 2021
- [4]《数据科学》（节选）英译汉翻译实践报告[D]. 尹玉杰. 天津理工大学, 2021(08)
- [5]基于Graph OLAM的并行分析挖掘系统的研究与实现[D]. 孙思瑞. 北京邮电大学, 2021(01)
- [6]面向OLAP的存内查询优化技术研究[D]. 陆姗姗. 中国科学技术大学, 2021(08)
- [7]数据驱动的铁路机车油耗及维修决策分析研究[D]. 杨彬. 中国矿业大学, 2021
- [8]大数据多维建模分析平台的研究与实现[D]. 田川. 北京邮电大学, 2021(01)
- [9]基于关联规则挖掘的计算机配件销售的应用研究[D]. 黄伟. 广西大学, 2021(12)
- [10]从商业智能到科研智能：智能化时代的科学学与科技管理[J]. 胡志刚,王欣,李海波. 科学学与科学技术管理, 2021(01)