| 摘要 | 第1-16页 |
| ABSTRACT | 第16-18页 |
| 第一章 绪论 | 第18-35页 |
| ·研究背景 | 第18-22页 |
| ·仿真技术与作战仿真 | 第18-19页 |
| ·作战仿真中的复杂性问题 | 第19-21页 |
| ·基于作战仿真的系统效能评估方法 | 第21-22页 |
| ·系统效能评估方法研究 | 第22-25页 |
| ·传统的系统效能评估方法 | 第22-24页 |
| ·效能评估方法的新发展 | 第24-25页 |
| ·数据耕种技术分析 | 第25-30页 |
| ·数据耕种技术诞生的背景 | 第25-26页 |
| ·数据耕种的过程 | 第26-27页 |
| ·数据耕种技术的组成 | 第27-28页 |
| ·数据耕种技术的应用研究现状 | 第28-30页 |
| ·数据挖掘技术分析 | 第30-31页 |
| ·数据挖掘技术概述 | 第30页 |
| ·数据挖掘技术在军事领域的应用背景 | 第30-31页 |
| ·基于数据挖掘的数据耕种结果分析 | 第31页 |
| ·论文的研究内容、组织结构和主要贡献 | 第31-35页 |
| ·论文的研究内容 | 第31-32页 |
| ·论文的组织结构 | 第32-33页 |
| ·论文的主要贡献 | 第33-35页 |
| 第二章 基于HLA 的数据耕种系统框架设计 | 第35-56页 |
| ·基于HLA 的数据耕种系统框架 | 第35-36页 |
| ·HLA 数据种植系统 | 第36-41页 |
| ·想定编辑 | 第37-38页 |
| ·参数设置 | 第38-39页 |
| ·联邦成员开发 | 第39-41页 |
| ·HLA 数据生长平台 | 第41-42页 |
| ·局域网 | 第41页 |
| ·高性能计算资源平台 | 第41-42页 |
| ·网格资源平台 | 第42页 |
| ·HLA 数据采集 | 第42-48页 |
| ·HLA 数据采集研究概述 | 第42-43页 |
| ·集中式数据采集 | 第43-47页 |
| ·分布式数据采集 | 第47-48页 |
| ·HLA 结果数据库 | 第48-54页 |
| ·关系表设计 | 第48-52页 |
| ·数据加载以及索引维护 | 第52-53页 |
| ·数据的完整性恢复 | 第53页 |
| ·数据库总体结构 | 第53-54页 |
| ·HLA 耕种结果分析 | 第54-55页 |
| ·分析数据提取 | 第54页 |
| ·数据综合分析 | 第54-55页 |
| ·分析结果生成 | 第55页 |
| ·本章小结 | 第55-56页 |
| 第三章 基于数据挖掘的耕种结果评估研究 | 第56-70页 |
| ·数据挖掘分析 | 第56-59页 |
| ·数据挖掘研究的内容 | 第56页 |
| ·数据挖掘的方法 | 第56-57页 |
| ·数据挖掘的过程模型 | 第57-59页 |
| ·数据挖掘在耕种结果评估中需解决的关键技术 | 第59-63页 |
| ·挖掘任务的理解 | 第59-61页 |
| ·挖掘数据的提取与预处理 | 第61-62页 |
| ·挖掘方法的选择 | 第62页 |
| ·挖掘模型的评估与应用 | 第62-63页 |
| ·基于数据挖掘的系统效能评估框架 | 第63页 |
| ·基于OLAP 的数据挖掘评估方法 | 第63-69页 |
| ·研究背景 | 第63-64页 |
| ·基于HLA 的C415R 数据耕种系统 | 第64-65页 |
| ·数据仓库存储模型 | 第65页 |
| ·评估指标 | 第65-66页 |
| ·数据挖掘分析 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 第四章 基于神经网络的数据挖掘方法研究 | 第70-93页 |
| ·神经网络方法分析 | 第70-71页 |
| ·神经网络概述 | 第70-71页 |
| ·神经网络在数据挖掘中的应用分析 | 第71页 |
| ·一种改进型神经网络算法NN-LMBP | 第71-83页 |
| ·引言 | 第71-72页 |
| ·LMBP 算法分析 | 第72-77页 |
| ·基于最近邻的修剪算法 | 第77-78页 |
| ·实验与结果分析 | 第78-83页 |
| ·进一步的工作 | 第83页 |
| ·一种新型C31EW 系统评估方法 | 第83-92页 |
| ·研究背景 | 第83页 |
| ·C31EW 系统评估模型 | 第83-85页 |
| ·基于HLA 的C31EW 数据耕种系统 | 第85-86页 |
| ·基于神经网络的耕种结果挖掘分析 | 第86-88页 |
| ·实验与结果分析 | 第88-91页 |
| ·结论及进一步的工作 | 第91-92页 |
| ·本章小结 | 第92-93页 |
| 第五章 基于支持向量机的数据挖掘方法研究 | 第93-129页 |
| ·统计学习理论与支持向量机 | 第93-102页 |
| ·研究背景 | 第93-94页 |
| ·统计学习理论 | 第94-96页 |
| ·支持向量机 | 第96-101页 |
| ·支持向量机与神经网络的比较 | 第101-102页 |
| ·SVM 中基于模糊相似矩阵的RBF 核参数确定策略 | 第102-110页 |
| ·引言 | 第102-103页 |
| ·RBF 核参数分析 | 第103-105页 |
| ·核函数的Gram 矩阵表示 | 第105-106页 |
| ·模糊相似矩阵设计 | 第106-108页 |
| ·实验与结果分析 | 第108-110页 |
| ·一种增量式支持向量机学习算法BV-SVM | 第110-120页 |
| ·引言 | 第110-111页 |
| ·边界向量提取 | 第111-112页 |
| ·增量式学习策略 | 第112-117页 |
| ·实验与结果分析 | 第117-120页 |
| ·结论及进一步的工作 | 第120页 |
| ·一种基于SVM 的军事决策系统 | 第120-128页 |
| ·研究背景 | 第120-121页 |
| ·决策系统分析 | 第121-122页 |
| ·HLA 数据耕种系统设计 | 第122-123页 |
| ·基于SVM 的数据挖掘分析 | 第123-125页 |
| ·实验与结果分析 | 第125-128页 |
| ·本章小结 | 第128-129页 |
| 第六章 HLA 数据耕种与数据挖掘原型系统实现与应用 | 第129-144页 |
| ·HLA 数据耕种与数据挖掘原型系统实现 | 第129-135页 |
| ·HLA 数据耕种与数据挖掘原型系统 | 第129-130页 |
| ·想定与脚本编辑工具 | 第130-131页 |
| ·联邦成员创建与管理工具 | 第131-132页 |
| ·耕种数据采集与结果数据库工具 | 第132-133页 |
| ·SVM 数据挖掘工具 | 第133-135页 |
| ·原型系统在XXX 工程效能评估中的应用 | 第135-143页 |
| ·研究背景 | 第135-136页 |
| ·XXX 工程设计 | 第136页 |
| ·信息优势分析 | 第136-138页 |
| ·信息优势评估指标 | 第138-140页 |
| ·XXX 工程数据预处理 | 第140-141页 |
| ·XXX 工程作战效能评估 | 第141-143页 |
| ·本章小结 | 第143-144页 |
| 结束语 | 第144-147页 |
| (一) 论文工作总结 | 第144-145页 |
| (二) 未来工作展望 | 第145-147页 |
| 致谢 | 第147-148页 |
| 作者在学期间取得的学术成果 | 第148-150页 |
| 参考文献 | 第150-159页 |