| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 移动互联网用户感知评估研究现状 | 第11-12页 |
| 1.2.2 神经网络研究现状 | 第12-13页 |
| 1.3 本文研究内容和论文组织结构 | 第13-15页 |
| 1.3.1 研究的主要内容 | 第13-14页 |
| 1.3.2 论文组织结构 | 第14-15页 |
| 第2章 移动互联用户感知满意度预测的需求描述及数据预处理 | 第15-23页 |
| 2.1 移动互联网用户感知评价分类问题描述 | 第15-16页 |
| 2.2 数据来源与介绍 | 第16-18页 |
| 2.2.1 S1-MME接口数据介绍 | 第16-18页 |
| 2.2.2 投诉数据介绍 | 第18页 |
| 2.3 数据预处理 | 第18-21页 |
| 2.3.1 数据清洗 | 第19页 |
| 2.3.2 去除无用字段 | 第19-20页 |
| 2.3.3 集成XDR流程编码序列 | 第20-21页 |
| 2.3.4 异常流程编码序列处理 | 第21页 |
| 2.3.5 样本合成及异常样本清除 | 第21页 |
| 2.4 对数据集进行上采样 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 三种神经网络在时间序列数据分类中的应用研究 | 第23-41页 |
| 3.1 神经网络相关理论基础 | 第23-30页 |
| 3.1.1 人工神经网络基本模型 | 第23-24页 |
| 3.1.2 神经网络的学习 | 第24-25页 |
| 3.1.3 BP神经网络 | 第25-28页 |
| 3.1.4 长短期记忆网络 | 第28-30页 |
| 3.2 时间序列数据分类 | 第30-31页 |
| 3.3 Wall-FollowingRobotNavigation数据集介绍 | 第31-32页 |
| 3.4 数据集处理和实验环境 | 第32-33页 |
| 3.4.1 特征数据标准化 | 第32页 |
| 3.4.2 类别标签的One-Hot编码 | 第32-33页 |
| 3.4.3 训练集和测试集生成 | 第33页 |
| 3.4.4 实验环境 | 第33页 |
| 3.5 基于MLP的分类器实现 | 第33-37页 |
| 3.5.1 网络初始化与训练 | 第34-35页 |
| 3.5.2 实验结果与分析 | 第35-37页 |
| 3.6 基于LSTM的分类器实现 | 第37-39页 |
| 3.6.1 网络初始化与训练 | 第37-38页 |
| 3.6.2 实验结果与分析 | 第38-39页 |
| 3.7 基于Elman的分类器实现 | 第39页 |
| 3.8 三种神经网络分类器性能对比 | 第39-40页 |
| 3.9 本章小结 | 第40-41页 |
| 第4章 移动互联网用户感知满意度预测的设计与实现 | 第41-55页 |
| 4.1 基于双向LSTM的用户感知评价分类模型设计 | 第41-43页 |
| 4.2 在TensorFlow平台上实现分类模型 | 第43-48页 |
| 4.2.1 TensorFlow平台简介 | 第43-44页 |
| 4.2.2 TensorFlow上构建分类模型 | 第44-45页 |
| 4.2.3 特征序列数据变换 | 第45-46页 |
| 4.2.4 模型参数设置 | 第46页 |
| 4.2.5 分类模型训练 | 第46-48页 |
| 4.3 5折交叉验证评估分类模型 | 第48-49页 |
| 4.3.1 常用评价指标 | 第48-49页 |
| 4.3.2 分类模型性能评估 | 第49页 |
| 4.4 调整分类阈值提高模型召回率 | 第49-50页 |
| 4.5 用户感知满意度预测自动化程序的设计与实现 | 第50-54页 |
| 4.5.1 自动化预测程序整体框架设计 | 第50-51页 |
| 4.5.2 自动化预测程序的实现 | 第51-54页 |
| 4.6 本章小结 | 第54-55页 |
| 结论与展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62-63页 |
| 攻读硕士期间发表的论文及科研成果 | 第63页 |
