文献综述
一．文献综述与调研报告：（阐述课题研究的现状及发展趋势，本课题研究的意义和价值、参考文献）
在大数据时代，数据的产生和收集是基础，数据挖掘是关键。数据挖掘是大数据中最关键也最有价值的工作。通常，数据挖掘或知识发现泛指从大量数据中挖掘出隐含的、先前未知但潜在的有用信息和模式的一个工程化和系统化的过程，具有如下性质：应用性，工程性，集合性，交叉性。
大数据时代的来临使得数据的规模和复杂性都出现爆炸式的增长，促使不同应用领域的数据分析人员利用数据挖掘技术对数据进行分析。在应用领域中，如医疗保健、高端制造、金融等，数据挖掘的重要性越来越凸显出来。因此，在大数据时代进行数据挖掘应用的一个当务之急是要开发和建立在各种挖掘目标下的数据挖掘算法，支持应用领域的数据分析人员能够有效地执行数据分析任务。
在数据挖掘的算法研究方面，越来越多的先进算法被人提出以及改进，如：决策树，神经网络，关联分析，聚类，等等，不同的算法适用于不同的数据挖掘目标，在信息时代数据量极速增大现状下，很难有可以用来解决大范围数据挖掘工作的适用算法，不断地研究改进算法便显得尤为重要。
此次的毕业设计即是从此出发。
分数阶即是对函数求分数阶微积分，自19世纪开始分数阶的研究，分数阶微积分理论的发展十分缓慢且局限于数学理论上，它在物理和工程上缺乏对应的概念解释，因而应用十分少。直到上世纪初，分数阶微积分理论才逐步应用与物理以及工程上，如粘弹性材料的本构关系、地震以及冶金等领域。到了20世纪70年代分形学说的提出，使得分数阶微积分理论作为分形几何和分形动力学的基础得到了快速发展。
BP神经网络是指基于误差反向传播算法(Back-Propagation，缩写为BP)的多层前向神经网络，是一种有监督学习算法。早在1974年，最先由Werbos提出，但当时并未引起关注。之后Bumelhart等人在1985年重新发现了反传网络学习算法，并写入《并行分布处理》，实现了Minsky的多层网络设想，使得此算法广为人知。因为BP网络可以实现输入输出之间的任意复杂的非线性映射，这使得它被广泛应用于自动化系统、模式识别、模式分类以及信号处理领域等。
但是BP神经网络依然存在其固有的短处：
(1)它是一个非线性优化问题，会有局部极小点的问题。BP算法如果出现局部极小点，就很难再找到函数的全局最优解。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
