| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-17页 |
| 1.2.1 基于传统假设验证的预测模型 | 第11-13页 |
| 1.2.2 基于数据驱动的预测模型 | 第13-14页 |
| 1.2.3 基于传统神经网络优化的预测模型 | 第14-15页 |
| 1.2.4 基于深度学习的预测模型 | 第15-17页 |
| 1.3 研究目标及内容 | 第17页 |
| 1.4 论文后续组织结构 | 第17-19页 |
| 第2章 多层异质粒子群优化算法 | 第19-29页 |
| 2.1 粒子群算法 | 第19-21页 |
| 2.1.1 PSO算法原理 | 第19-20页 |
| 2.1.2 PSO算法流程及其特点分析 | 第20-21页 |
| 2.2 粒子群算法改进分析 | 第21-25页 |
| 2.2.1 基于种群拓扑结构改进的粒子群算法 | 第22-23页 |
| 2.2.2 基于粒子行为改进的粒子群算法 | 第23-25页 |
| 2.3 多层异质粒子群优化算法 | 第25-28页 |
| 2.3.1 合理性分析 | 第25页 |
| 2.3.2 MHPSO算法描述 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于MHPSO算法优化的深度LSTM神经网络 | 第29-41页 |
| 3.1 深度LSTM神经网络 | 第29-32页 |
| 3.2 深度LSTM神经网络分析 | 第32-36页 |
| 3.2.1 深度LSTM网络优势及缺陷 | 第32-35页 |
| 3.2.2 MHPSO算法优化深度LSTM的优势 | 第35-36页 |
| 3.3 基于MHPSO算法优化的深度LSTM神经网络 | 第36-39页 |
| 3.3.1 粒子编码方式 | 第36-37页 |
| 3.3.2 适应度函数 | 第37-38页 |
| 3.3.3 MHPSO-LSTM实现过程 | 第38-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 仿真实验及结果分析 | 第41-54页 |
| 4.1 实验目的及意义 | 第41页 |
| 4.2 实验仿真环境 | 第41页 |
| 4.3 粒子群改进算法仿真实验 | 第41-47页 |
| 4.3.1 基准测试函数 | 第41-42页 |
| 4.3.2 实验结果对比与分析 | 第42-47页 |
| 4.4 软件可靠性预测仿真实验 | 第47-52页 |
| 4.4.1 实验数据及其预处理 | 第47-49页 |
| 4.4.2 实验指标 | 第49-50页 |
| 4.4.3 实验结果对比分析 | 第50-52页 |
| 4.5 本章小结 | 第52-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第62-64页 |
| 致谢 | 第64页 |