| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 体系效能仿真方法 | 第13-14页 |
| 1.2.2 仿真实验数据分析方法 | 第14-16页 |
| 1.2.3 决策树算法的国内外研究现状 | 第16-18页 |
| 1.3 论文的主要内容和安排 | 第18-20页 |
| 第二章 体系效能仿真分析方法及决策树算法 | 第20-35页 |
| 2.1 体系效能仿真 | 第20-26页 |
| 2.1.1 体系效能仿真 | 第20-22页 |
| 2.1.2 体系效能仿真分析框架 | 第22-24页 |
| 2.1.3 体系效能仿真分析需求 | 第24-26页 |
| 2.2 决策树算法介绍 | 第26-28页 |
| 2.2.1 决策树生成 | 第26-27页 |
| 2.2.2 决策树剪枝 | 第27-28页 |
| 2.3 经典决策树算法 | 第28-30页 |
| 2.3.1 ID3算法 | 第28-29页 |
| 2.3.2 C4.5算法 | 第29页 |
| 2.3.3 分类回归树算法 | 第29-30页 |
| 2.4 模糊集和粗糙集概念 | 第30-34页 |
| 2.4.1 模糊集定义 | 第30-32页 |
| 2.4.2 粗糙集定义 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于模糊集的分类回归树算法改进 | 第35-51页 |
| 3.1 基于模糊集的CART算法 | 第35-38页 |
| 3.1.1 隶属函数 | 第35-37页 |
| 3.1.2 基于模糊集的CART算法 | 第37-38页 |
| 3.2 基于模糊集的加权CART算法 | 第38-41页 |
| 3.3 算法性能分析和实验验证 | 第41-50页 |
| 3.3.1 数据集介绍 | 第41-43页 |
| 3.3.2 分类准确性 | 第43-44页 |
| 3.3.3 模型复杂度 | 第44-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 基于粗糙集的多变量决策树算法改进 | 第51-60页 |
| 4.1 基于粗糙集的多变量决策树算法 | 第51-55页 |
| 4.1.1 多变量决策树提出背景 | 第51-52页 |
| 4.1.2 相对泛化的定义 | 第52页 |
| 4.1.3 基于粗糙集的多变量决策树算法 | 第52-54页 |
| 4.1.4 基于粗糙集的多变量决策树算法和单变量决策树算法比较 | 第54-55页 |
| 4.2 基于粗糙集的加权多变量决策树算法 | 第55-56页 |
| 4.3 算法性能分析与实验验证 | 第56-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第五章 算法应用分析 | 第60-75页 |
| 5.1 Matlab算法实现 | 第60-61页 |
| 5.2 仿真实验设计 | 第61-63页 |
| 5.3 基于SEAS平台的FR-MDT算法的案例分析 | 第63-74页 |
| 5.3.1 SEAS体系计算平台简介 | 第63-64页 |
| 5.3.2 实验想定 | 第64-67页 |
| 5.3.3 实验结果分析 | 第67-74页 |
| 5.3.4 实验结论 | 第74页 |
| 5.4 本章小结 | 第74-75页 |
| 结束语 | 第75-77页 |
| 致谢 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 作者在学期间取得的学术成果 | 第83-84页 |
| 附录 A.实验设计方案 | 第84页 |