大学硕士开题报告多篇_好范文网手机版

[摘要]大学硕士开题报告多篇为好范文网的会员投稿推荐，但愿对你的学习工作带来帮助。

大学硕士开题报告多篇

【第1篇】大学硕士学位论文开题报告

一、论文名称、课题来源、选题依据

论文名称：基于bp神经网络的技术创新预测与评估模型及其应用研究

课题来源：单位自拟课题或省政府下达的研究课题

选题依据：

技术创新预测和评估是企业技术创新决策的前提和依据。通过技术创新预测和评估, 可以使企业对未来的技术发展水平及其变化趋势有正确的把握, 从而为企业的技术创新决策提供科学的依据, 以减少技术创新决策过程中的主观性和盲目性。只有在正确把握技术创新发展方向的前提下, 企业的技术创新工作才能沿着正确方向开展,企业产品的市场竞争力才能得到不断加强。在市场竞争日趋激烈的现代商业中, 企业的技术创新决定着企业生存和发展、前途与命运, 为了确保技术创新工作的正确性,企业对技术创新的预测和评估提出了更高的要求。

二、本课题国内外研究现状及发展趋势

现有的技术创新预测方法可分为趋势外推法、相关分析法和专家预测法三大类。

(1)趋势外推法。指利用过去和现在的技术、经济信息, 分析技术发展趋势和规律, 在分析判断这些趋势和规律将继续的前提下, 将过去和现在的趋势向未来推演。生长曲线法是趋势外推法中的一种应用较为广泛的技术创新预测方法,美国生物学家和人口统计学家raymond pearl提出的pearl曲线(数学模型为: y=l∕[1+a?exp(-b·t)] )及英国数学家和统计学家gompertz提出的gompertz曲线(数学模型为: y=l·exp(-b·t))皆属于生长曲线, 其预测值y为技术性能指标, t为时间自变量, l、a、b皆为常数。ridenour模型也属于生长曲线预测法, 但它假定新技术的成长速度与熟悉该项技术的人数成正比, 主要适用于新技术、新产品的扩散预测。

(2)相关分析法。利用一系列条件、参数、因果关系数据和其他信息, 建立预测对象与影响因素的因果关系模型, 预测技术的发展变化。相关分析法认为, 一种技术性能的改进或其应用的扩展是和其他一些已知因素高度相关的, 这样, 通过已知因素的分析就可以对该项技术进行预测。相关分析法主要有以下几种: 导前-滞后相关分析、技术进步与经验积累的相关分析、技术信息与人员数等因素的相关分析及目标与手段的相关分析等方法。

(3)专家预测法。以专家意见作为信息来源, 通过系统的调查、征询专家的意见, 分析和整理出预测结果。专家预测法主要有: 专家个人判断法、专家会议法、头脑风暴法及德尔菲法等, 其中, 德尔菲法吸收了前几种专家预测法的长处, 避免了其缺点, 被认为是技术预测中最有效的专家预测法。

趋势外推法的预测数据只能为纵向数据, 在进行产品技术创新预测时, 只能利用过去的产品技术性能这一个指标来预测它的随时间的发展趋势, 并不涉及影响产品技术创新的科技、经济、产业、市场、社会及政策等多方面因素。在现代商业经济中, 对于产品技术发展的预测不能简单地归结为产品过去技术性能指标按时间的进展来类推, 而应系统综合地考虑现代商业中其他因素对企业产品技术创新的深刻影响。相关分析法尽管可同时按横向数据和纵向数据来进行预测, 但由于它是利用过去的历史数据中的某些影响产品技术创新的因素求出的具体的回归预测式, 而所得到的回归预测模型往往只能考虑少数几种主要影响因素, 略去了许多未考虑的因素, 所以, 所建模型对实际问题的表达能力也不够准确, 预测结果与实际的符合程度也有较大偏差。专家预测法是一种定性预测方法,依靠的是预测者的知识和经验, 往往带有主观性, 难以满足企业对技术创新预测准确度的要求。以上这些技术创新预测技术和方法为企业技术创新工作的开展做出了很大的贡献, 为企业技术创新的预测提供了科学的方法论, 但在新的经济和市场环境下, 技术创新预测的方法和技术应有新的丰富和发展, 以克服自身的不足, 更进一步适应时代发展的需要, 为企业的技术创新工作的开展和企业的生存与发展提供先进的基础理论和技术方法。

目前,在我国企业技术创新评估中, 一般只考虑如下四个方面的因素: (1) 技术的先进性、可行性、连续性; (2) 经济效果; (3) 社会效果; (4) 风险性, 在对此四方面内容逐个分析后, 再作综合评估。在综合评估中所用的方法主要有: delphi法(专家法)、ahp法(层次分析法)、模糊评估法、决策树法、战略方法及各种图例法等, 但技术创新的评估是一个非常复杂的系统, 其中存在着广泛的非线性、时变性和不确定性, 同时, 还涉及技术、经济、管理、社会等诸多复杂因素,目前所使用的原理和方法, 难以满足企业对技术创新评估科学性的要求。关于技术创新评估的研究, 在我国的历史还不长, 无论是指标体系还是评估方法, 均处于研究之中, 我们认为目前在企业技术创新评估方面应做的工作是: (1) 建立一套符合我国实际情况的技术创新评估指标体系; (2) 建立一种适应于多因素、非线性和不确定性的综合评估方法。

这种情况下, 神经网络技术就有其特有的优势, 以其并行分布、自组织、自适应、自学习和容错性等优良性能, 可以较好地适应技术创新预测和评估这类多因素、不确定性和非线性问题, 它能克服上述各方法的不足。本项目以bp神经网络作为基于多因素的技术创新预测和评估模型构建的基础, bp神经网络由输入层、隐含层和输出层构成, 各层的神经元数目不同, 由正向传播和反向传播组成, 在进行产品技术创新预测和评估时, 从输入层输入影响产品技术创新预测值和评估值的n个因素信息, 经隐含层处理后传入输出层, 其输出值y即为产品技术创新技术性能指标的预测值或产品技术创新的评估值。这种n个因素指标的设置, 考虑了概括性和动态性, 力求全面、客观地反映影响产品技术创新发展的主要因素和导致产品个体差异的主要因素, 尽管是黑匣子式的预测和评估, 但事实证明它自身的强大学习能力可将需考虑的多种因素的数据进行融合, 输出一个经非线性变换后较为精确的预测值和评估值。

据文献查阅, 虽然在技术创新预测和评估的现有原理和方法的改进和完善方面有一定的研究,如文献[08]、[09]、[11]等, 但尚未发现将神经网络应用于技术创新预测与评估方面的研究, 在当前产品的市场寿命周期不断缩短、要求企业不断推出新产品的经济条件下, 以神经网络为基础来建立产品技术创新预测与评估模型, 是对技术创新定量预测和评估方法的有益补充和完善。

三、论文预期成果的理论意义和应用价值

本项目研究的理论意义表现在: (1) 探索新的技术创新预测和评估技术, 丰富和完善技术创新预测和评估方法体系; (2) 将神经网络技术引入技术创新的预测和评估, 有利于推动技术创新预测和评估方法的发展。

本项目研究的应用价值体现在: (1) 提供一种基于多因素的技术创新定量预测技术, 有利于提高预测的正确性; (2)提供一种基于bp神经网络的综合评估方法, 有利于提高评估的科学性; (3) 为企业的技术创新预测和评估工作提供新的方法论和实用技术。

四、课题研究的主要内容

研究目标：

以bp神经网络模型为基础研究基于多因素的技术创新预测和评估模型, 并建立科学的预测和评估指标体系及设计相应的模型计算方法, 结合企业的具体实际, 对指标和模型体系进行实证分析, 使研究具有一定的理论水平和实用价值。

研究内容：

1、影响企业技术创新预测和评佑的相关指标体系确定及其量化和规范化。从企业的宏观环境和微观环境两个方面入手, 密切结合电子商务和知识经济对企业技术创新的影响, 系统综合地分析影响产品技术创新的各相关因素, 建立科学的企业技术创新预测和评估指标体系, 并研究其量化和规范化的原则及方法。

2、影响技术创新预测和评估各相关指标的相对权重确定。影响技术创新发展和变化各相关因素在输入预测和评估模型时, 需要一组决定其相对重要性的初始权重, 权重的确定需要基本的原则作支持。

3、基于bp神经网络的技术创新预测和评估模型研究。根据技术创新预测的特点

, 以bp神经网络为基础, 构建基于多因素的技术创新预测和评估模型。

4、基于bp神经网络的技术创新预测和评估模型计算方法设计。根据基于bp神经网络的技术创新预测和评估模型的基本特点, 设计其相应的计算方法。

5、基于bp神经网络的技术创新预测和评估模型学习样本设计。根据相关的历史资料, 构建基于bp神经网络的技术创新预测和评估模型的学习样本, 对预测和评估模型进行自学习和训练, 使模型适合实际情况。

6、基于bp神经网络的技术创新预测和评估技术的实证研究。以一般企业的技术创新预测与评估工作为背景, 对基于bp神经网络的技术创新预测和评估技术进行实证研究。

创新点：

1、建立一套基于电子商务和知识经济的技术创新预测和评估指标体系。目前,在技术创新的预测和评估指标体系方面, 一种是采用传统的指标体系, 另一种是采用国外先进国家的指标体系, 如何结合我国实际当前经济形势, 参考国外先进发达国家的研究工作, 建立一套适合于我国企业技术创新预测和评估指标体系, 此为本研究要做的首要工作, 这是一项创新。

2、研究基于bp神经网络的技术创新预测和评估模型及其计算方法。神经网络技术具有并行分布处理、自学习、自组织、自适应和容错性等优良性能, 能较好地处理基于多因素、非线性和不确定性预测和评估的现实问题, 本项目首次将神经网络技术引入企业的技术创新预测和评估, 这也是一项创新。

【第2篇】西北工业大学硕士开题报告

西北工业大学硕士开题报告

1. 国内外研究动态

随着我国经济体制改革进程的加快以及金融体制改革的深入，社会中的投资行为正日益增多，例如证券投资等。而股票交易作为生活中重要的一种风险投资活动，已经成为证券投资中非常重要的一种。要想做好股票投资交易，需要对股票进行分析和预测。最初的分析预测技术有道氏理论等为代表，后来又发展出其他很多的分析方法和技术指标。后来，数据挖掘技术的出现为股票投资分析开创了新的天地。学者们蜂拥而至对此技术进行研究，他们对原始的股票数据进行处理，之后对交易数据进行挖掘，以期可以较好的反映股市的变化状况，从而实现对股市的预测，对投资者进行有效的指导[3-6]。

2. 课题的理论意义、实用价值和社会经济效益

3. 课题研究的目标、研究内容和研究方法

4. 论文工作量的估计，关键技术以及所遇到的困难和问题，拟采取的解决措施

参考文献

曹小春,曾安,潘丹. 云计算环境下面向领域的数据挖掘服务平台研究[j]. 自动化仪表,20xx,09:9-13.

曹正凤,纪宏,谢邦昌. 使用随机森林算法实现优质股票的选择[j]. 首都经济贸易大学学报,20xx,02:21-27.

[3]xin-nan zhao,hong-chan feng. application of data mining technology in the enterprise salary design[a]. information engineering research institute,usa.proceedings of 20xx 4th international conference on applied social science(icass 20xx) volume 51[c].information engineering research institute,usa:,20xx:5.

[4]曹正凤. 随机森林算法优化研究[d].首都经济贸易大学,20xx.

[5]曾安,潘丹,杨海东,谢光强. 面向领域的数据挖掘云平台研究[j]. 微电子学与计算机,20xx,08:15-19.

[6]曾珂. 基于数据挖掘的`微博用户兴趣群体发现与分类[d].华中师范大学,20xx.

[7]常凯. 基于神经网络的数据挖掘分类算法比较和分析研究[d].安徽大学,20xx.

[8]xin-nan zhao,hong-chan feng. application of data mining technology in the enterprise salary design[a]. information engineering research institute,usa.proceedings of 20xx 4th international conference on applied social science(icass 20xx) volume 51[c].information engineering research institute,usa:,20xx:5.

[9]陈宝钢. 基于数据挖掘方法的企业财务分析系统设计与实现[d].吉林大学,20xx.

[10]emanuel raschi,elisabetta poluzzi,ariola koci,paolo caraceni,fabrizio de ponti. assessing liver injury associated with antimycotics:concise literature review and clues from data mining of the faers database[j]. world journal of hepatology,20xx,08:601-612.

[11]陈欣然. 基于数据挖掘技术的近15年反流性食管炎中医临床期刊文献研究[d].北京中医药大学,20xx.

[12]陈怡. 基于网络数据挖掘的移动视频客户数据支撑体系[j]. 信息通信,20xx,01:161-163.

[13]何清,庄福振,曾立,赵卫中,谭庆. pdminer:基于云计算的并行分布式数据挖掘工具平台[j]. 中国科学:信息科学,20xx,07:871-885.

[14]liu tianhui,fu bina,zhang dong h. six-dimensional potential energy surface of the dissociative chemisorption of hcl on au(111) using neural networks[j]. science china(chemistry),20xx,01:147-155.

[15]何晓旭. 时间序列数据挖掘若干关键问题研究[d].中国科学技术大学,20xx.

[16]黄佳彬. 数据挖掘在实践教学信息网中的研究与应用[d].北方工业大学,20xx.

[17]rennie kaunda. new artificial neural networks for true triaxial stress state analysis and demonstration of intermediate principal stress effects on intact rock strength[j]. journal of rock mechanics and geotechnical engineering,20xx,04:338-347.

[18]黄玲. 在电子商务中应用web数据挖掘的研究[d].湖南大学,20xx.

[19]吉根林,赵斌. 面向大数据的时空数据挖掘综述[j]. 南京师大学报(自然科学版),20xx,01:1-7.

[20]荆月敏. 基于数据挖掘的图书馆书目推荐服务的研究[d].中北大学,20xx.

[21]李海林. 大数据环境下的数据挖掘课程教学探索[j]. 计算机时代,20xx,02:54-55.

[22]liu yanjun,liu lei,tong shaocheng. adaptive neural network tracking design for a class of uncertain nonlinear discrete-time systems with dead-zone[j]. science china(information sciences),20xx,03:276-287.

[23]李平荣. 大数据时代的数据挖掘技术与应用[j]. 重庆三峡学院学报,20xx,03:45-47.

[24]emanuel raschi,elisabetta poluzzi,ariola koci,paolo caraceni,fabrizio de ponti. assessing liver injury associated with antimycotics:concise literature review and clues from data mining of the faers database[j]. world journal of hepatology,20xx,08:601-612.

[25]li dongjuan. adaptive neural network control for a class of continuous stirred tank reactor systems[j]. science china(information sciences),20xx,10:246-253.

[26]李永红. 相关子空间中的局部离群数据挖掘及应用[d].太原科技大学,20xx.

[27]刘昱岗,安冬冬. 数据挖掘在公交调查数据分析中的应用研究[j]. 公路工程,20xx,02:96-101.

[28]hongmei ni,xuming yang,chengquan fang,yingying guo,mingyue xu,yumin he. data mining-based study on sub-mentally healthy state among residents in eight provinces and cities in china[j]. journal of traditional chinese medicine,20xx,04:511-517.

[29]hongmei ni,xuming yang,chengquan fang,yingying guo,mingyue xu,yumin he. data mining-based study on sub-mentally healthy state among residents in eight provinces and cities in china[j]. journal of traditional chinese medicine,20xx,04:511-517.

[30]刘智龙. 统计行业数据分析与数据挖掘应用——工具篇[j]. 统计与咨询,20xx,01:36-38.

[31]马宏斌,王柯,马团学. 大数据时代的空间数据挖掘综述[j]. 测绘与空间地理信息,20xx,07:19-22.

[32]屈莉莉,陈燕. 大数据背景下数据挖掘课程的教学改革与探索[j]. 教育教学论坛,20xx,16:57-58.

[33]孙二娟. 基于隐私保护的数据挖掘技术与研究[d].浙江理工大学,20xx.

[34]陶相宜. 基于数据挖掘的朱仁康从“风”论治皮肤病学术思想及临床经验研究[d].北京中医药大学,20xx.

[35]陶雨雨. 决策树及神经网络算法在股票分类预测中的应用[d].杭州电子科技大学,20xx.

[36]王明星. 数据挖掘算法优化研究与应用[d].安徽大学,20xx.

[37]王云峰,宁晓希. 刑侦数据仓库模型设计与数据挖掘技术应用[j]. 软件工程师,20xx,06:53-55.

[38]fei he,dong-feng he,an-jun xu,hong-bing wang,nai-yuan tian. hybrid model of molten steel temperature prediction based on ladle heat status and artificial neural network[j]. journal of iron and steel research(international),20xx,02:181-190.

[39]吴汉华. 大数据时代中如何进行医疗数据挖掘与利用[j]. 硅谷,20xx,05:13+12.

[40]吴乔. 基于数据挖掘的煤炭企业成本管理系统的设计与实现[d].厦门大学,20xx.

[41]谢立阳. 基于海量数据挖掘的武汉城市圈应急物流系统的设计与优化[d].湖北工业大学,20xx.

[42]熊平,朱天清,王晓峰. 差分隐私保护及其应用[j]. 计算机学报,20xx,01:101-122.

[43]徐健锋,张远健,zhou duanning,li dan,李宇. 基于粒计算的不确定性时间序列建模及其聚类[j]. 南京大学学报(自然科学),20xx,01:86-94.

[44]许芳芳,丁雷道. 浅谈数据挖掘技术及其相关问题解析[j]. 数字技术与应用,20xx,04:141-144.

[45]闫燕. 数据挖掘在中国的现状和发展分析[j]. 科技信息,20xx,05:292.

[46]张晶晶. 数据挖掘在车险客户关系管理中的应用研究[d].大连海事大学,20xx.

[47]张雅. 面向铁路货运市场营销的数据挖掘技术应用研究[d].西南交通大学,20xx.

[48]masoud rakhshkhorshid,sayyed-amin teimouri sendesi. bayesian regularization neural networks for prediction of austenite formation temperatures(a_(c1) and a_(c3))[j]. journal of iron and steel research(international),20xx,02:246-251.

[49]张艳. 大数据背景下的数据挖掘课程教学新思考[j]. 计算机时代,20xx,04:59-61.

[50]郑细端. oracle数据挖掘在城市能源计量数据平台的应用[j]. 计算机与数字工程,20xx,07:1299-1302.

[51]周超群. 基于数据挖掘算法的教务选课系统的设计与实现[d].西安工业大学,20xx.

[52]周金革. 基于消错理论的数据挖掘错误系统优化方法及应用研究[d].广东工业大学,20xx.

【第3篇】最新大学硕士学位论文开题报告