| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 引言 | 第7-10页 |
| 1.1 课题背景 | 第7页 |
| 1.2 国内外研究现状 | 第7-8页 |
| 1.3 已有模型存在的不足和展望 | 第8页 |
| 1.4 本文主要工作 | 第8-10页 |
| 1.4.1 本论文主要研究内容 | 第8-9页 |
| 1.4.2 本论文组织结构 | 第9-10页 |
| 第二章 离散制造业简介与课题应用企业简介 | 第10-20页 |
| 2.1 离散制造业简介 | 第10-11页 |
| 2.2 离散制造业中的生产时间计划需求 | 第11页 |
| 2.3 课题应用企业情况简介 | 第11-18页 |
| 2.3.1 课题应用企业车间生产过程简介 | 第12-14页 |
| 2.3.2 课题应用企业生产时间预测方法 | 第14-15页 |
| 2.3.3 课题应用企业生产时间预测中存在的问题 | 第15-16页 |
| 2.3.4 本课题模型抽象 | 第16-18页 |
| 2.4 本章小结 | 第18-20页 |
| 第三章 机器学习理论方法概述 | 第20-29页 |
| 3.1 邻域粗糙集理论与方法 | 第20-22页 |
| 3.2 支持向量机理论研究 | 第22-26页 |
| 3.2.1 支持向量机分类器原理分析 | 第25-26页 |
| 3.3 遗传算法理论与方法 | 第26-27页 |
| 3.3.1 遗传算法理论 | 第26-27页 |
| 3.3.2 遗传算法框架 | 第27页 |
| 3.4 本章小结 | 第27-29页 |
| 第四章 生产计划时间评价模型的建立 | 第29-39页 |
| 4.1 基于邻域粗糙集的数值属性约简 | 第29-31页 |
| 4.1.1 本课题中邻域大小的设定 | 第29-30页 |
| 4.1.2 基于邻域粗糙集的属性约简 | 第30-31页 |
| 4.2 基于支持向量机的生产计划时间评价模型 | 第31-34页 |
| 4.2.1 本课题中支持向量机核函数的选取 | 第31-32页 |
| 4.2.2 本课题中支持向量机参数的选择方法 | 第32-33页 |
| 4.2.3 基于SVM的生产计划时间评价模型实验仿真 | 第33-34页 |
| 4.3 基于遗传算法优化的SVM生产计划时间评价模型 | 第34-38页 |
| 4.3.1 基于遗传算法优化的SVM参数选择方法 | 第34-37页 |
| 4.3.2 GA-SVM生产计划时间评价模型实验仿真 | 第37-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第五章 生产计划时间评价模型在离散制造企业中的应用 | 第39-50页 |
| 5.1 应用背景及环境介绍 | 第39页 |
| 5.2 数据预处理 | 第39-44页 |
| 5.2.1 A企业车间数据分析 | 第39-41页 |
| 5.2.2 车间数据初步预处理 | 第41-43页 |
| 5.2.3 样本集属性约简 | 第43-44页 |
| 5.3 基于GA-SVM方法的生产计划时间评价模型在企业中的应用 | 第44-49页 |
| 5.3.1 实验结果分析与对比 | 第47-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 总结 | 第50页 |
| 6.2 不足与展望 | 第50-52页 |
| 6.2.1 本文的不足之处 | 第50-51页 |
| 6.2.2 未来的展望 | 第51-52页 |
| 参考文献 | 第52-54页 |
| 致谢 | 第54-55页 |
| 个人简历 | 第55页 |
| 攻读硕士学位期间发表的学术论文 | 第55页 |
