| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 课题研究背景及意义 | 第7-8页 |
| 1.1.1 课题研究背景 | 第7-8页 |
| 1.1.2 研究意义 | 第8页 |
| 1.1.3 研究目标 | 第8页 |
| 1.2 国内外研究综述 | 第8-10页 |
| 1.3 本文内容 | 第10-12页 |
| 第二章 复杂产品关键质量特性识别问题 | 第12-17页 |
| 2.1 复杂产品 | 第12-13页 |
| 2.1.1 产品 | 第12页 |
| 2.1.2 复杂产品 | 第12-13页 |
| 2.2 关键质量特性 | 第13-15页 |
| 2.2.1 质量特性 | 第13-14页 |
| 2.2.2 关键质量特性 | 第14-15页 |
| 2.3 复杂产品关键质量特性识别问题 | 第15-17页 |
| 第三章 数据挖掘基础理论 | 第17-23页 |
| 3.1 数据挖掘的基本概念 | 第17-18页 |
| 3.2 数据挖掘的基本步骤 | 第18-19页 |
| 3.2.1 提出问题并做出假设 | 第18页 |
| 3.2.2 数据的收集和预处理 | 第18-19页 |
| 3.2.3 模型建立 | 第19页 |
| 3.2.4 模型解释 | 第19页 |
| 3.3 数据挖掘的基本任务和相关技术 | 第19-23页 |
| 3.3.1 分类分析 | 第19页 |
| 3.3.2 关联分析 | 第19-20页 |
| 3.3.3 预测分析 | 第20页 |
| 3.3.4 聚类分析 | 第20-23页 |
| 第四章 模型的建立及算例分析 | 第23-44页 |
| 4.1 基于数据挖掘的 CTQs 识别问题分析及方法选择 | 第23-28页 |
| 4.1.1 问题分析 | 第23-24页 |
| 4.1.2 方法选择 | 第24-25页 |
| 4.1.3 特征选择简介 | 第25-27页 |
| 4.1.4 Filter 方法和 Wrapper 方法比较 | 第27-28页 |
| 4.2 基于 Filter 和特征聚类的 CTQs 识别模型 | 第28-37页 |
| 4.2.1 Filter 算法的缺陷 | 第28页 |
| 4.2.2 ReliefF 算法 | 第28-29页 |
| 4.2.3 特征聚类 | 第29-31页 |
| 4.2.4 基于 ReliefF 和 ACA 特征聚类的 CTQs 识别模型构建 | 第31-33页 |
| 4.2.5 算例及结果分析 | 第33-37页 |
| 4.3 关于原模型的改进的讨论 | 第37-44页 |
| 4.3.1 原模型的缺陷 | 第37页 |
| 4.3.2 改进模型的构建 | 第37-40页 |
| 4.3.3 算例及结果分析 | 第40-44页 |
| 第五章 结论与展望 | 第44-46页 |
| 5.1 论文总结 | 第44页 |
| 5.2 论文不足及展望 | 第44-46页 |
| 参考文献 | 第46-50页 |
| 附录 | 第50-52页 |
| 发表论文和参加科研情况说明 | 第52-53页 |
| 致谢 | 第53页 |
