| 摘要 | 第1-6页 |
| Abstract | 第6-18页 |
| 第一章 绪论 | 第18-36页 |
| ·引言 | 第18页 |
| ·汽车产品审核综述 | 第18-24页 |
| ·汽车产品审核概述 | 第18-21页 |
| ·汽车产品审核的国内外动态 | 第21-24页 |
| ·汽车产品审核系统综述 | 第24-30页 |
| ·汽车产品审核系统的定义 | 第24-25页 |
| ·汽车产品审核系统的国内外动态 | 第25-29页 |
| ·汽车产品审核系统的发展趋势 | 第29-30页 |
| ·汽车产品审核系统对人工智能技术的需求 | 第30-32页 |
| ·课题来源及研究内容与研究路线 | 第32-36页 |
| ·课题来源 | 第32页 |
| ·研究内容 | 第32-33页 |
| ·研究路线 | 第33-36页 |
| 第二章 基于本体的产品审核系统信息抽取技术研究 | 第36-55页 |
| ·IAPAS 的信息抽取分析 | 第36-38页 |
| ·IAPAS 信息抽取系统 | 第38-41页 |
| ·本体在IAPAS 信息抽取中的作用 | 第38页 |
| ·基于本体的IAPAS 信息抽取系统 | 第38-41页 |
| ·面向信息抽取的本体开发 | 第41-48页 |
| ·IAPAS 的三种本体 | 第41-42页 |
| ·IAPAS 领域本体的建立 | 第42-45页 |
| ·IAPAS 领域本体的构建方法 | 第42-43页 |
| ·IAPAS 领域本体的框架 | 第43-44页 |
| ·IAPAS 领域本体的概念和关系 | 第44-45页 |
| ·IAPAS 任务本体的建立 | 第45-46页 |
| ·IAPAS 规则本体的建立 | 第46-48页 |
| ·IAPAS 信息抽取的评价指标 | 第48-50页 |
| ·IAPAS 任务本体的分解、抽取和合成 | 第50-52页 |
| ·IAPAS 信息抽取实例 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第三章 汽车产品审核中智能缺陷评价技术的研究 | 第55-79页 |
| ·产品审核系统中的缺陷评价技术 | 第55-57页 |
| ·单项缺陷智能评价技术研究 | 第57-67页 |
| ·单项缺陷智能评价系统 | 第57-58页 |
| ·基于分级混合神经网络的智能评价技术 | 第58-67页 |
| ·问题建模 | 第58-59页 |
| ·HHNN 的前向求解 | 第59-60页 |
| ·HHNN 的反向学习 | 第60-62页 |
| ·HHNN 的学习率 | 第62-63页 |
| ·HHNN 与FNN 及MBP、BPNN 的比较 | 第63页 |
| ·智能评价实例 | 第63-67页 |
| ·整车质量缺陷水平智能评价技术研究 | 第67-77页 |
| ·整车质量缺陷水平智能评价系统 | 第67-70页 |
| ·改进的熵权系数法及实例 | 第70-72页 |
| ·改进的熵权系数法的基本步骤 | 第70-71页 |
| ·改进的熵权系数法的讨论 | 第71-72页 |
| ·改进的熵权系数法的实例 | 第72页 |
| ·模糊综合评判法及实例 | 第72-75页 |
| ·模糊综合评判法的基本步骤 | 第72-73页 |
| ·模糊综合评判法的实例 | 第73-75页 |
| ·权值和高斯函数参数确定方法的讨论 | 第75-77页 |
| ·优化的目标函数 | 第75页 |
| ·ACO_R 算法 | 第75-77页 |
| ·ACO_R 算法实例 | 第77页 |
| ·本章小结 | 第77-79页 |
| 第四章 基于PAFMEA 的汽车缺陷分析及纠正措施决策 | 第79-97页 |
| ·产品审核中的缺陷分析及纠正措施决策方法 | 第79-80页 |
| ·基于PAFMEA 的汽车缺陷分析 | 第80-85页 |
| ·系统定义及功能结构图 | 第81-82页 |
| ·失效模式及FMEA 表 | 第82页 |
| ·失效的严重度、发生频度和探测度 | 第82-83页 |
| ·评价失效的严重程度 | 第83页 |
| ·纠正措施及FMEA 表 | 第83-85页 |
| ·纠正措施决策 | 第85页 |
| ·基于多目标优化的纠正措施决策 | 第85-90页 |
| ·问题建模 | 第85-86页 |
| ·问题选用的算法 | 第86页 |
| ·算法的数据准备 | 第86-87页 |
| ·纠正措施决策的实例 | 第87-90页 |
| ·一种自适应混合变量多目标蚁群优化算法的研究 | 第90-95页 |
| ·ACO_(MV) 算法 | 第91-93页 |
| ·MOACO_(MV) 算法 | 第93页 |
| ·SAMOACO_(MV) 算法 | 第93-95页 |
| ·SAMOACO_(MV) 算法实验及性能分析 | 第95页 |
| ·本章小结 | 第95-97页 |
| 第五章 基于灰色－神经网络组合预测模型的成本预测 | 第97-129页 |
| ·预测方法 | 第97-101页 |
| ·预测方法概述 | 第97-99页 |
| ·组合预测及预测效果评价指标 | 第99-101页 |
| ·灰色－神经网络组合预测模型 | 第101-112页 |
| ·灰色－神经网络组合预测模型的技术路线 | 第101-102页 |
| ·灰色预测模型 | 第102-109页 |
| ·神经网络预测模型 | 第109-112页 |
| ·组合预测实例 | 第112-128页 |
| ·时间序列 | 第112-115页 |
| ·预测实例 | 第115-128页 |
| ·预测实例1—时间序列类型Ⅰ预测 | 第115-121页 |
| ·预测实例2—时间序列类型Ⅱ预测 | 第121-124页 |
| ·预测实例3—时间序列类型Ⅲ预测 | 第124-128页 |
| ·本章小结 | 第128-129页 |
| 第六章 基于SCA 的企业软件应用框架及IAPAS 实践 | 第129-152页 |
| ·企业软件应用抽象功能模型 | 第129-130页 |
| ·基于SCA 的企业软件应用框架 | 第130-133页 |
| ·SCA 规范 | 第131页 |
| ·基于SCA 的企业软件应用系统框架 | 第131-133页 |
| ·基于SCA 框架的软件应用开发 | 第133-137页 |
| ·基于SCA 框架的企业软件应用系统开发流程 | 第133-134页 |
| ·组合件开发 | 第134-135页 |
| ·基于SCA 框架的软件应用开发实例 | 第135-137页 |
| ·IAPAS 原型系统开发 | 第137-151页 |
| ·系统功能需求 | 第137-138页 |
| ·系统运行需求 | 第138-139页 |
| ·系统实现 | 第139-150页 |
| ·系统服务构成 | 第139-141页 |
| ·任务管理服务 | 第141-144页 |
| ·缺陷评价管理服务 | 第144-147页 |
| ·纠正措施管理服务 | 第147-148页 |
| ·费用管理服务 | 第148-150页 |
| ·系统应用效果 | 第150-151页 |
| ·本章小结 | 第151-152页 |
| 第七章 总结与展望 | 第152-155页 |
| ·全文工作总结 | 第152-153页 |
| ·后续研究与展望 | 第153-155页 |
| 参考文献 | 第155-167页 |
| 致谢 | 第167-168页 |
| 在学期间的研究成果及发表的学术论文 | 第168-169页 |
| 附录A “缺陷状况描述”资源文件 | 第169-170页 |
| 附录B “缺陷状况描述”领域本体owl 代码 | 第170-173页 |
| 附录C “缺陷状况描述”任务本体owl 代码 | 第173-175页 |
| 附录D “缺陷状况描述”规则本体owl 代码 | 第175-178页 |
| 附录E “缺陷状况描述”任务本体实例owl 代码 | 第178-181页 |
| 附录F SAMOACO_(MV) 算法实验 | 第181-187页 |
| 附录G 基于SCA 规范的ACOr_Composite 组装文档 | 第187-188页 |
| 附录H 基于SCA 规范的ACO_Appliaction 组装文档 | 第188-189页 |
| 附录I 基于SCA 规范的IAPAS_Appliaction 组装文档 | 第189-191页 |
| 附录J IAPAS 原型系统企业应用证明 | 第191页 |
