| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究的目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文的主要研究工作及拟解决的关键问题 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第二章 相关概念及理论基础 | 第16-24页 |
| 2.1 软件可靠性相关理论 | 第16-18页 |
| 2.1.1 软件可靠性定义 | 第16页 |
| 2.1.2 经典软件可靠性模型 | 第16-18页 |
| 2.2 人工神经网络原理 | 第18-21页 |
| 2.2.1 人工神经网络的概念 | 第18页 |
| 2.2.2 人工神经元模型 | 第18-20页 |
| 2.2.3 人工神经网络模型 | 第20页 |
| 2.2.4 人工神经网络的学习方法 | 第20-21页 |
| 2.3 ELMAN 神经网络 | 第21-23页 |
| 2.3.1 Elman 神经网络结构 | 第21-22页 |
| 2.3.2 学习算法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 神经网络集成 | 第24-32页 |
| 3.1 神经网络集成相关理论 | 第24-25页 |
| 3.2 神经网络集成实现方法 | 第25页 |
| 3.3 个体生成方法 | 第25-30页 |
| 3.3.1 变换训练数据 | 第25-29页 |
| 3.3.2 改变网络特性 | 第29页 |
| 3.3.3 神经网络个体优选 | 第29-30页 |
| 3.4 集成输出方法 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 基于 K-均值聚类的神经网络个体优选算法 | 第32-42页 |
| 4.1 神经网络个体生成 | 第32-33页 |
| 4.1.1 网络个体模型 | 第32页 |
| 4.1.2 基于 Bagging 算法的神经网络集成 | 第32-33页 |
| 4.2 基于 K-均值聚类的个体优选算法 | 第33-37页 |
| 4.2.1 K-均值聚类算法 | 第33-35页 |
| 4.2.2 K-均值聚类算法中 K 值优化问题 | 第35-36页 |
| 4.2.3 基于 K-均值聚类算法的个体选择方法 | 第36-37页 |
| 4.3 仿真实验及分析 | 第37-41页 |
| 4.3.1 评价标准 | 第38页 |
| 4.3.2 仿真实验 | 第38-40页 |
| 4.3.4 实验分析 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 基于动态权重的神经网络集成方法研究 | 第42-51页 |
| 5.1 传统集成输出方法 | 第42-43页 |
| 5.1.1 算数平均法 | 第42页 |
| 5.1.2 误差平方和倒数法 | 第42-43页 |
| 5.1.3 简单加权平均法 | 第43页 |
| 5.2 基于模糊神经网络的动态权重集成方法 | 第43-48页 |
| 5.2.1 模糊理论 | 第44页 |
| 5.2.2 T-S 模糊模型 | 第44页 |
| 5.2.3 T-S 模糊神经网络 | 第44-46页 |
| 5.2.4 基于模糊神经网络的动态权重模型 | 第46-48页 |
| 5.3 仿真实验及分析 | 第48-50页 |
| 5.3.1 仿真实验 | 第48-49页 |
| 5.3.2 实验分析 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 选择性动态权重神经网络集成及其在软件可靠性预测中的应用 | 第51-57页 |
| 6.1 选择性动态权重神经网络集成算法 | 第51-53页 |
| 6.2 数据处理 | 第53页 |
| 6.3 仿真实验及分析 | 第53-56页 |
| 6.4 本章小结 | 第56-57页 |
| 第七章 总结与展望 | 第57-59页 |
| 7.1 主要工作及创新点 | 第57-58页 |
| 7.2 工作展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间取得的学术成果 | 第63-64页 |
| 致谢 | 第64页 |