基于选择性神经网络集成的Web服务可信性预测技术研究
| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 1. 绪论 | 第10-16页 |
| 1.1 背景与意义 | 第10-11页 |
| 1.1.1 背景 | 第10-11页 |
| 1.1.2 意义 | 第11页 |
| 1.2 Web服务的可信性 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 研究内容与论文结构 | 第14-16页 |
| 2. Web服务及其可信性预测 | 第16-22页 |
| 2.1 服务计算 | 第16-17页 |
| 2.1.1 基本概念 | 第16页 |
| 2.1.2 主要支撑技术 | 第16-17页 |
| 2.2 Web服务QoS | 第17-18页 |
| 2.3 基于QoS的Web服务可信性 | 第18-19页 |
| 2.4 Web服务可信性预测问题 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 3. 理论基础与关键技术 | 第22-34页 |
| 3.1 神经网络（NN） | 第22-25页 |
| 3.2 粒子群优化算法（PSO） | 第25-27页 |
| 3.3 量子离散PSO算法（QPSO） | 第27-29页 |
| 3.4 选择性集成学习技术 | 第29-33页 |
| 3.4.1 机器学习 | 第29-30页 |
| 3.4.2 集成学习 | 第30-32页 |
| 3.4.3 选择性集成学习 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 4. 基于PSO的服务可信性选择性集成预测 | 第34-44页 |
| 4.1 基于PSO集成学习的可信性预测框架 | 第34-36页 |
| 4.2 两种集成模式 | 第36-41页 |
| 4.2.1 基于标准PSO的集成学习预测 | 第36-39页 |
| 4.2.2 基于QPSO的集成学习预测 | 第39-41页 |
| 4.3 关键技术细节 | 第41-43页 |
| 4.3.1 可信性预测问题的编码表示 | 第41-42页 |
| 4.3.2 适应值函数的设置 | 第42-43页 |
| 4.3.3 搜索算法权重的自适应调整 | 第43页 |
| 4.4 本章小结 | 第43-44页 |
| 5. 实验对比分析 | 第44-57页 |
| 5.1 实验设置与数据集说明 | 第44-45页 |
| 5.1.1 实验数据 | 第44页 |
| 5.1.2 实验设置 | 第44-45页 |
| 5.1.3 实验评价标准 | 第45页 |
| 5.2 典型方法的总体对比分析 | 第45-47页 |
| 5.3 训练集比例的影响分析 | 第47-50页 |
| 5.4 分类器集成方式对比分析 | 第50-51页 |
| 5.5 种群大小的影响分析 | 第51-52页 |
| 5.6 分类器数目的影响分析 | 第52-54页 |
| 5.7 最大演化迭代次数的影响分析 | 第54-55页 |
| 5.8 分类器隐含层节点数的影响分析 | 第55-56页 |
| 5.9 本章小结 | 第56-57页 |
| 6. 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 攻读硕士学位期间的科研成果 | 第64-65页 |
