基于刻面分类和人工智能的软构件分类方法研究
| 第1章 绪论 | 第1-11页 |
| ·引言 | 第9页 |
| ·研究的目的和意义 | 第9-10页 |
| ·本文的主要内容安排 | 第10-11页 |
| 第2章 软构件库与软构件分类 | 第11-17页 |
| ·软构件库 | 第11-13页 |
| ·软构件定义 | 第11-12页 |
| ·软构件库系统模型 | 第12-13页 |
| ·软构件分类方法 | 第13-16页 |
| ·刻面分类 | 第13-14页 |
| ·人工智能分类 | 第14-15页 |
| ·软构件分类系统 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 第3章 相似度计算 | 第17-21页 |
| ·向量空间模型 | 第17页 |
| ·相似度计算算法 | 第17-19页 |
| ·相似性度量 | 第17-18页 |
| ·相似度经典算法 | 第18-19页 |
| ·软构件分类中的相似度计算 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第4章 聚类分析算法 | 第21-40页 |
| ·聚类分析 | 第21-29页 |
| ·类的定义 | 第21-22页 |
| ·类间距离测度方法 | 第22-25页 |
| ·聚类的准则函数 | 第25-29页 |
| ·动态聚类法 | 第29-35页 |
| ·动态聚类原理 | 第29-30页 |
| ·C均值聚类 | 第30-32页 |
| ·改进的C均值聚类ISODATA算法 | 第32-35页 |
| ·聚类分析在构件分类的应用 | 第35-39页 |
| ·基于聚类分析构件分类模型 | 第35-37页 |
| ·实验环境 | 第37-38页 |
| ·实验结果 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第5章 自组织映射算法 | 第40-55页 |
| ·神经网络 | 第40-43页 |
| ·神经网络的数学描述 | 第41-43页 |
| ·自组织映射神经网络 | 第43-49页 |
| ·自组织映射神经网络基本思想 | 第43-44页 |
| ·自组织映射学习原理 | 第44-48页 |
| ·改进的自组织映射算法 | 第48-49页 |
| ·自组织映射在构件分类的应用 | 第49-53页 |
| ·选择自组织映射算法的原因 | 第49页 |
| ·自组织映射在构件分类的实践 | 第49-51页 |
| ·实验结果 | 第51-53页 |
| ·本章小结 | 第53-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-59页 |
| 攻读硕士学位期间发表的论文 | 第59-60页 |
| 致谢 | 第60-61页 |
| 附录A 实验数据表 | 第61-64页 |
| 附录B 构件向量空间表 | 第64-68页 |
| 附录C 构件向量权值表 | 第68-69页 |
