| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 引言 | 第13-22页 |
| 1.1 研究背景 | 第13-15页 |
| 1.1.1 汽车产品回收再制造产业兴起 | 第13-14页 |
| 1.1.2 生产性服务业在汽车行业中的重要性 | 第14-15页 |
| 1.2 研究意义 | 第15-17页 |
| 1.3 国内外研究现状 | 第17-19页 |
| 1.3.1 汽车产品回收再制造产业的相关研究现状 | 第17页 |
| 1.3.2 服务型制造和生产性服务业概述 | 第17-19页 |
| 1.3.3 生产性服务业与制造业融合的相关研究现状 | 第19页 |
| 1.4 论文主要研究内容和研究框架 | 第19-22页 |
| 第二章 汽车产品回收再制造产业—生产性服务需求问卷调研 | 第22-34页 |
| 2.1 调研问卷研究目的和实施步骤 | 第22页 |
| 2.2 调研问卷设计 | 第22-26页 |
| 2.2.1 汽车产品回收再制造企业特征参数确定 | 第22-24页 |
| 2.2.2 汽车产品回收再制造企业生产性服务需求确定 | 第24-26页 |
| 2.3 调研问卷发放与回收实施过程 | 第26-27页 |
| 2.4 调研问卷样本结果分析 | 第27-29页 |
| 2.4.1 调研问卷样本构成分析 | 第27-28页 |
| 2.4.2 调研问卷样本生产性服务需求程度分析 | 第28-29页 |
| 2.5 基于主成分分析方法的调研问卷样本数据预处理 | 第29-33页 |
| 2.5.1 主成分分析方法基本原理与步骤 | 第29-30页 |
| 2.5.2 基于主成分分析方法的调研问卷样本数据预处理 | 第30-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 基于 BP 神经网络的匹配预测模型 | 第34-47页 |
| 3.1 人工神经网络 | 第34-37页 |
| 3.1.1 BP 神经网络概述 | 第35-36页 |
| 3.1.2 BP 神经网络的局限性 | 第36-37页 |
| 3.2 基于 BP 神经网络的匹配预测模型 | 第37-45页 |
| 3.2.1 基于 BP 神经网络的匹配预测模型设计及算法步骤 | 第37-42页 |
| 3.2.2 基于 BP 神经网络匹配预测模型训练 | 第42-44页 |
| 3.2.3 基于 BP 神经网络匹配预测模型测试及结果分析 | 第44-45页 |
| 3.3 本章小结 | 第45-47页 |
| 第四章 基于遗传算法和粒子群算法的 BP 神经网络匹配预测优化模型 | 第47-64页 |
| 4.1 遗传算法 | 第47-49页 |
| 4.1.1 遗传算法概述 | 第47页 |
| 4.1.2 遗传算法的基本操作 | 第47-48页 |
| 4.1.3 遗传算法的局限性 | 第48-49页 |
| 4.2 基于 GA-BP 神经网络的匹配预测优化模型 | 第49-55页 |
| 4.2.1 基于 GA-BP 神经网络匹配预测优化模型设计及算法步骤 | 第49-52页 |
| 4.2.2 基于 GA-BP 神经网络匹配预测优化模型训练、测试及结果分析 | 第52-55页 |
| 4.3 粒子群算法 | 第55-57页 |
| 4.3.1 粒子群算法的基本原理 | 第55-56页 |
| 4.3.2 粒子群算法的基本算法步骤 | 第56-57页 |
| 4.4 基于 PSO-BP 神经网络的匹配预测优化模型 | 第57-62页 |
| 4.4.1 基于 PSO-BP 神经网络匹配预测优化模型设计 | 第58-59页 |
| 4.4.2 基于 PSO-BP 神经网络匹配预测优化模型训练、测试及结果分析 | 第59-62页 |
| 4.5 GA-BP 与 PSO-BP 神经网络匹配预测优化模型结果分析对比 | 第62-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录：汽车产品回收再制造企业—生产性服务需求调研问卷 | 第70-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间的学术成果 | 第75页 |
