| 第1章 绪论 | 第1-19页 |
| ·问题的背景 | 第13页 |
| ·研究现状及存在的问题 | 第13-17页 |
| ·研究现状 | 第13-16页 |
| ·存在的问题 | 第16-17页 |
| ·本文的研究意义 | 第17页 |
| ·论文的组织结构 | 第17-19页 |
| 第2章 软件可靠性早期预测的经典模型介绍 | 第19-25页 |
| ·多元线性回归方法 | 第19-21页 |
| ·多元线性回归模型的形式和参数估计 | 第19-20页 |
| ·多元线性回归模型的假设检验 | 第20-21页 |
| ·多元线性回归的评述 | 第21页 |
| ·人工神经网络方法 | 第21-25页 |
| ·人工神经元的结构 | 第22页 |
| ·多层前向网络及BP学习算法 | 第22-24页 |
| ·人工神经网络的评述 | 第24-25页 |
| 第3章 统计学习理论和支持向量机 | 第25-35页 |
| ·机器学习的一般原理 | 第25-26页 |
| ·学习问题的表示 | 第25页 |
| ·经验风险最小化原则及其缺陷 | 第25-26页 |
| ·统计学习理论 | 第26-28页 |
| ·函数集的VC维和推广性的界 | 第26-28页 |
| ·结构风险最小化原则 | 第28页 |
| ·支持向量机 | 第28-35页 |
| ·最优分类超平面 | 第29-30页 |
| ·广义最优分类超平面 | 第30-31页 |
| ·支持向量机思想 | 第31-32页 |
| ·支持向量回归估计 | 第32-35页 |
| 第4章 基于支持向量机的软件可靠性早期预测模型 | 第35-47页 |
| ·预测目标 | 第35页 |
| ·可靠性早期预测的一般模型 | 第35-36页 |
| ·对一般模型的进一步假设 | 第36-37页 |
| ·基于支持向量机的软件可靠性早期预测模型的建立 | 第37-47页 |
| ·模型输入指标的选取 | 第37-38页 |
| ·数据采集 | 第38页 |
| ·数据预处理 | 第38-39页 |
| ·模型形式和核函数的选择 | 第39-40页 |
| ·模型形式的选择 | 第39-40页 |
| ·核函数的选择 | 第40页 |
| ·模型参数和核参数的选择 | 第40-46页 |
| ·对于参数的说明 | 第40-43页 |
| ·参数选择的算法 | 第43-44页 |
| ·预测精度的衡量 | 第44-45页 |
| ·解空间搜索策略 | 第45-46页 |
| ·用模型进行预测 | 第46-47页 |
| 第5章 基于支持向量机的软件可靠性早期预测模型仿真分析 | 第47-66页 |
| ·实验原始数据 | 第47-48页 |
| ·实验安排 | 第48页 |
| ·实验过程 | 第48-56页 |
| ·数据标准化 | 第48-49页 |
| ·主成分分析 | 第49-51页 |
| ·特异样本点的判定 | 第51-52页 |
| ·基于主成分回归的预测方法 | 第52-53页 |
| ·基于BP网络的预测方法 | 第53-54页 |
| ·基于支持向量机的预测方法 | 第54-56页 |
| ·实验结果及分析 | 第56-66页 |
| ·实验一 | 第56-60页 |
| ·实验二 | 第60-66页 |
| 第6章 软件可靠性早期预测软件系统的设计 | 第66-75页 |
| ·系统概述 | 第66页 |
| ·系统总体结构 | 第66-68页 |
| ·系统流程 | 第68-69页 |
| ·系统的数据流程图 | 第68页 |
| ·系统的逻辑流程图 | 第68-69页 |
| ·核心模块和关键技术介绍 | 第69-75页 |
| ·数据预处理模块 | 第69页 |
| ·参数选择模块 | 第69-73页 |
| ·训练模块及预测模块 | 第73页 |
| ·历史信息管理模块 | 第73-75页 |
| 第7章 总结和展望 | 第75-77页 |
| ·本文的主要成果和创新点 | 第75页 |
| ·下一步的工作 | 第75-77页 |
| 参考文献 | 第77-82页 |