基于测量的软件老化趋势预测
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-14页 |
| ·研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·论文的主要研究内容 | 第13页 |
| ·论文的整体组织结构 | 第13-14页 |
| 第2章 实验环境搭建 | 第14-20页 |
| ·总体设计 | 第14页 |
| ·详细设计 | 第14-18页 |
| ·软件部署 | 第15-16页 |
| ·软件参数设置 | 第16-18页 |
| ·数据采集 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第3章 基于 ARMA 模型的软件老化趋势预测 | 第20-36页 |
| ·时间序列分析概论 | 第20-22页 |
| ·时间序列 | 第20-21页 |
| ·时间序列分析 | 第21-22页 |
| ·时间序列发展历程 | 第22页 |
| ·时间序列软件老化预测理论依据 | 第22页 |
| ·ARMA 模型 | 第22-24页 |
| ·ARMA 模型的建模流程 | 第24-30页 |
| ·去除趋势性和周期性 | 第25页 |
| ·平稳性判定 | 第25-26页 |
| ·模型识别 | 第26-29页 |
| ·模型检验 | 第29页 |
| ·ARMA 模型的预测步骤 | 第29-30页 |
| ·基于 AR 模型的软件老化预测 | 第30-32页 |
| ·基于多维 AR 的软件老化预测 | 第32-35页 |
| ·多维 AR 模型的原理 | 第32-33页 |
| ·多维 AR 模型的简单应用 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 基于 BP 神经网络的软件性能评估 | 第36-48页 |
| ·人工神经网络基础理论 | 第37-39页 |
| ·生物神经元模型 | 第37页 |
| ·人工神经元模型 | 第37-38页 |
| ·神经网络结构 | 第38-39页 |
| ·神经网络学习 | 第39页 |
| ·神经网络预测 | 第39页 |
| ·BP 神经网络原理 | 第39-41页 |
| ·BP 神经网络基础 | 第39-40页 |
| ·BP 神经网络结构 | 第40页 |
| ·BP 神经网络的训练算法 | 第40-41页 |
| ·BP 神经网络的缺点 | 第41页 |
| ·软件性能评估模型 | 第41-43页 |
| ·BP 神经网络 | 第41-42页 |
| ·SPE 模型算法 | 第42-43页 |
| ·拐点的识别 | 第43-45页 |
| ·强局部加权回归算法 | 第43-44页 |
| ·基于 SPE 模型评估结果的拐点识别 | 第44-45页 |
| ·实验验证 | 第45-47页 |
| ·SPE 模型 | 第45-47页 |
| ·拐点识别 | 第47页 |
| ·本章小结 | 第47-48页 |
| 第5章 基于加权马尔科夫链的软件老化趋势预测 | 第48-56页 |
| ·K-MEANS 算法原理 | 第48页 |
| ·模糊综合评判 | 第48-51页 |
| ·利用模糊综合评判建立加权马尔科夫链 | 第51-53页 |
| ·算法实现及实验结果分析 | 第53-54页 |
| ·本章小结 | 第54-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第63-64页 |
| 致谢 | 第64页 |
