软件衰退预测算法的研究
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-11页 |
| ·研究背景 | 第7页 |
| ·软件抗衰及其预测领域的研究现状 | 第7-9页 |
| ·本文主要工作 | 第9-10页 |
| ·本文的结构与组织 | 第10-11页 |
| 2 预测方法的研究 | 第11-15页 |
| ·预测方法概述 | 第11页 |
| ·多种预测方法简介 | 第11-14页 |
| ·本章小结 | 第14-15页 |
| 3 小波和人工神经网络的基础理论 | 第15-25页 |
| ·小波分析的基础理论 | 第15-16页 |
| ·小波函数的定义 | 第15页 |
| ·小波分解与重构 | 第15-16页 |
| ·小波分析用于数据降噪 | 第16-18页 |
| ·小波分析在信号降噪中的应用发展与研究现状 | 第17页 |
| ·小波阈值去噪方法 | 第17-18页 |
| ·人工神经网络的基础理论 | 第18-24页 |
| ·人工神经网络的结构 | 第19-20页 |
| ·神经元模型 | 第19-20页 |
| ·神经元的激励函数 | 第20页 |
| ·BP网络简介 | 第20-24页 |
| ·BP网络的反向传播算法 | 第20-21页 |
| ·公式推导 | 第21-24页 |
| ·本章小结 | 第24-25页 |
| 4 基于小波和神经网络的软件衰退预测方法的设计 | 第25-41页 |
| ·数据预处理 | 第25-31页 |
| ·归一化处理 | 第25页 |
| ·数据降噪方法设计 | 第25-31页 |
| ·含噪声的信号模型 | 第25-26页 |
| ·基于小波变换的降噪结构 | 第26-27页 |
| ·用于降噪的小波函数及分解尺度的选择 | 第27-28页 |
| ·改进的阈值降噪函数 | 第28-29页 |
| ·降噪函数中阈值的选取 | 第29-31页 |
| ·预测方法结构设计 | 第31-39页 |
| ·小波函数和分解尺度的确定 | 第32-33页 |
| ·BP神经网络的设计 | 第33-39页 |
| ·网络的输入数据及目标输出 | 第33-34页 |
| ·网络结构 | 第34-36页 |
| ·改进的神经网络学习算法 | 第36-37页 |
| ·样本的组织 | 第37页 |
| ·网络预测性能评价 | 第37页 |
| ·网络的训练和终止 | 第37-39页 |
| ·改进的隐含层节点调整算法 | 第39页 |
| ·改变网络结构的另一种预测方法 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 5 预测实例及结果分析 | 第41-57页 |
| ·数据来源 | 第41-42页 |
| ·数据预处理结果分析及比较 | 第42-45页 |
| ·归一化效果 | 第42-43页 |
| ·降噪效果 | 第43页 |
| ·多种降噪方法比较 | 第43-45页 |
| ·数据预测结果分析及比较 | 第45-56页 |
| ·预测方法1实验结果 | 第45-50页 |
| ·预测方法2实验结果 | 第50-52页 |
| ·预测方法比较 | 第52-55页 |
| ·软件衰退趋势估计 | 第55-56页 |
| ·本章小结 | 第56-57页 |
| 总结与展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
