| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文的研究内容和组织结构 | 第12-14页 |
| 2 软件老化预测的相关理论及实验平台搭建 | 第14-22页 |
| 2.1 软件老化预测概述 | 第14-15页 |
| 2.2 软件老化预测方法介绍 | 第15-17页 |
| 2.2.1 回归分析法 | 第15-16页 |
| 2.2.2 时间序列分析法 | 第16页 |
| 2.2.3 人工神经网络 | 第16页 |
| 2.2.4 支持向量机 | 第16-17页 |
| 2.3 实验环境的构建 | 第17-21页 |
| 2.3.1 实验环境 | 第17-19页 |
| 2.3.2 数据采集 | 第19-21页 |
| 2.4 小结 | 第21-22页 |
| 3 基于最小二乘支持向量机的软件老化预测 | 第22-40页 |
| 3.1 支持向量机理论 | 第22-26页 |
| 3.1.1 机器学习的基本问题 | 第22-23页 |
| 3.1.2 经验风险最小化准则 | 第23页 |
| 3.1.3 统计学习理论 | 第23-26页 |
| 3.2 支持向量机的基本概念 | 第26-31页 |
| 3.2.1 最优分类超平面 | 第26-28页 |
| 3.2.2 支持向量机回归 | 第28-30页 |
| 3.2.3 核函数 | 第30-31页 |
| 3.3 最小二乘支持向量机的基本概念 | 第31-33页 |
| 3.4 最小二乘支持向量机的软件老化预测 | 第33-38页 |
| 3.4.1 MATLAB工具箱简介 | 第33-34页 |
| 3.4.2 数据归一化 | 第34页 |
| 3.4.3 实验结果分析 | 第34-38页 |
| 3.5 小结 | 第38-40页 |
| 4 基于灰狼优化算法的最小二乘支持向量机软件老化预测 | 第40-54页 |
| 4.1 参数的选择方法 | 第40-41页 |
| 4.2 灰狼优化算法 | 第41-47页 |
| 4.2.1 灰狼优化算法简介 | 第41-42页 |
| 4.2.2 灰狼优化算法原理 | 第42-43页 |
| 4.2.3 灰狼优化算法描述 | 第43-47页 |
| 4.3 基于灰狼优化算法的最小二乘支持向量机的软件老化预测 | 第47-52页 |
| 4.4 小结 | 第52-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 攻读硕士学位期间所做工作 | 第64页 |