| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 海洋环境对武器装备作战效能的影响 | 第11-12页 |
| 1.3 武器装备作战效能评估方法综述 | 第12-15页 |
| 1.4 课题研究内容 | 第15-16页 |
| 1.5 本文的主要工作 | 第16-18页 |
| 第二章 基于改进K-近邻回归的作战效能评估模型 | 第18-29页 |
| 2.1 基于实例的K-近邻算法 | 第18-20页 |
| 2.1.1 K-近邻算法简介 | 第18-19页 |
| 2.1.2 传统的K-近邻回归算法 | 第19-20页 |
| 2.2 改进的K-近邻回归算法 | 第20-23页 |
| 2.2.1 距离加权的估计函数 | 第20页 |
| 2.2.2 基于属性加权的相似度定义 | 第20-21页 |
| 2.2.3 搜索最近邻的k-d树索引 | 第21-23页 |
| 2.3 基于改进K-近邻回归的作战效能评估模型 | 第23-28页 |
| 2.3.1 误差来源分析以及评估标准 | 第23-25页 |
| 2.3.2 模型中的交叉验证技术 | 第25页 |
| 2.3.3 影响武器装备作战效能的气象水文要素指标 | 第25-26页 |
| 2.3.4 武器装备作战样本数据预处理 | 第26页 |
| 2.3.5 模型评估的步骤 | 第26页 |
| 2.3.6 模型评估结果及分析 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于改进蚁群聚类优化的RBF神经网络评估模型 | 第29-53页 |
| 3.1 神经网络基本原理 | 第29-35页 |
| 3.1.1 神经网络简介 | 第29-30页 |
| 3.1.2 神经元数学模型 | 第30-34页 |
| 3.1.3 神经网络学习规则 | 第34-35页 |
| 3.2 RBF神经网络模型 | 第35-41页 |
| 3.2.1 RBF神经网络结构 | 第35-37页 |
| 3.2.2 RBF神经网络学习算法 | 第37-41页 |
| 3.3 蚁群聚类算法 | 第41-46页 |
| 3.3.1 蚁群算法简介 | 第41页 |
| 3.3.2 蚁群聚类算法 | 第41-44页 |
| 3.3.3 改进的蚁群聚类算法 | 第44-46页 |
| 3.4 基于改进蚁群聚类优化的RBF神经网络武器作战效能评估模型 | 第46-52页 |
| 3.4.1 评估模型的结构设计 | 第46-47页 |
| 3.4.2 评估模型的建立与求解 | 第47-49页 |
| 3.4.3 模型评估结果及分析 | 第49-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 武器装备作战效能评估系统分析与建模 | 第53-62页 |
| 4.1 系统需求分析 | 第53-56页 |
| 4.1.1 武器装备作战效能评估系统整体框架 | 第53-54页 |
| 4.1.2 系统模块需求分析 | 第54-56页 |
| 4.2 UML建模 | 第56-61页 |
| 4.2.1 UML建模简介 | 第56-58页 |
| 4.2.2 系统用例建模 | 第58-60页 |
| 4.2.3 系统类图结构 | 第60-61页 |
| 4.3 本章小结 | 第61-62页 |
| 第五章 武器装备作战效能评估系统设计与实现 | 第62-78页 |
| 5.1 .NET相关技术概述 | 第62-68页 |
| 5.1.1 .NET框架 | 第62-64页 |
| 5.1.1.1 .NET框架体系结构 | 第62页 |
| 5.1.1.2 公共语言运行库和基类库 | 第62-64页 |
| 5.1.2 C | 第64-65页 |
| 5.1.3 数据库及ADO.NET数据库访问机制 | 第65-68页 |
| 5.1.3.1 Oracle数据库 | 第65页 |
| 5.1.3.2 ADO.NET概述 | 第65-66页 |
| 5.1.3.3 ADO.NET类和对象概述 | 第66-68页 |
| 5.1.4 组件技术 | 第68页 |
| 5.2 C/S架构 | 第68-69页 |
| 5.3 系统设计 | 第69-76页 |
| 5.3.1 系统三层组件模型结构 | 第69-70页 |
| 5.3.2 数据访问层设计 | 第70-71页 |
| 5.3.3 业务逻辑层设计 | 第71-73页 |
| 5.3.4 用户界面层设计 | 第73-76页 |
| 5.4 武器装备作战效能评估模块组件之间的调用关系 | 第76-77页 |
| 5.5 本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 本文工作总结 | 第78-79页 |
| 6.2 下一步的工作展望 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 发表论文列表 | 第87页 |
