| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·问题背景 | 第9-10页 |
| ·研究的现状及存在的问题 | 第10-13页 |
| ·研究现状 | 第10-12页 |
| ·现今存在的问题 | 第12-13页 |
| ·本文的研究内容 | 第13页 |
| ·论文结构 | 第13-14页 |
| 第二章 传统的可靠性预测方法 | 第14-22页 |
| ·多元线性回归方法 | 第15-18页 |
| ·多元线性回归模型的形式和参数估计 | 第15-16页 |
| ·多元线性回归模型的假设检验 | 第16-18页 |
| ·多元线性回归的评述 | 第18页 |
| ·人工神经网络方法 | 第18-22页 |
| ·人工神经元的结构 | 第18-19页 |
| ·多层前向网络及学习算法 | 第19-21页 |
| ·人工神经网络的评述 | 第21-22页 |
| 第三章 统计学习理论和支持向量机 | 第22-35页 |
| ·机器学习的一般原理 | 第22-24页 |
| ·学习问题的表示 | 第22-23页 |
| ·经验风险最小化原则及其缺陷 | 第23-24页 |
| ·统计学习理论 | 第24-27页 |
| ·函数集的VC 维和推广性的界 | 第24-25页 |
| ·结构风险最小化原则 | 第25-27页 |
| ·支持向量机 | 第27-35页 |
| ·最优分类超平面 | 第27-29页 |
| ·广义最优分类超平面 | 第29-30页 |
| ·支持向量机思想 | 第30-31页 |
| ·支持向量回归估计 | 第31-35页 |
| 第四章 基于支持向量机的可靠性预测研究 | 第35-52页 |
| ·预测目标 | 第35页 |
| ·可靠性预测的一般模型 | 第35-36页 |
| ·对一般模型的进一步假设 | 第36页 |
| ·基于支持向量机的系统可靠性预测模型的建立 | 第36-46页 |
| ·确定模型的输入输出量 | 第37页 |
| ·数据采集 | 第37-38页 |
| ·数据预处理 | 第38-39页 |
| ·模型形式和核函数的选择 | 第39-40页 |
| ·模型形式的选择 | 第39-40页 |
| ·核函数的选择 | 第40页 |
| ·模型参数和核参数的选择 | 第40-43页 |
| ·支持向量机中相关参数说明 | 第40-43页 |
| ·参数选择算法 | 第43页 |
| ·遗传算法简介 | 第43-46页 |
| ·遗传算法的优点 | 第43-44页 |
| ·遗传算法的运算流程 | 第44-46页 |
| ·遗传算法的基本操作 | 第46页 |
| ·基于支持向量机的可靠性预测模型与传统模型的精度比较 | 第46-52页 |
| ·实验使用数据 | 第46-47页 |
| ·实验过程 | 第47-52页 |
| 第五章 基于加权支持向量机的可靠性预测研究 | 第52-61页 |
| ·加权支持向量机对支持向量机的改进 | 第52-56页 |
| ·加权支持向量机 | 第52-54页 |
| ·基于加权系数寻优的回归型加权支持向量机 | 第54-55页 |
| ·加权系数的特性 | 第55页 |
| ·加权系数的确定 | 第55-56页 |
| ·实验过程 | 第56-61页 |
| ·线性插值法与非线性插值法的误差比较 | 第57-58页 |
| ·标准支持向量机和加权支持向量机的预测误差比较 | 第58-61页 |
| 第六章 总结和展望 | 第61-63页 |
| ·本文的主要成果 | 第61-62页 |
| ·下一步的工作 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间的研究成果 | 第67-68页 |