| 摘要 | 第1-8页 |
| ABSTRACT | 第8-13页 |
| 第1章 绪论 | 第13-44页 |
| ·引言 | 第13-16页 |
| ·港口国控制谅解备忘录选船机制介绍 | 第16-25页 |
| ·亚太地区港口国控制谅解备忘录选船机制(Tokyo-MoU) | 第16-18页 |
| ·巴黎港口国控制谅解备忘录选船机制(Paris-MoU) | 第18-22页 |
| ·美国海岸警卫队选船机制(USCG) | 第22-24页 |
| ·澳大利亚海事局选船机制(AMSA) | 第24-25页 |
| ·我国PSC选船相关规定介绍 | 第25-27页 |
| ·研究现状及目标 | 第27-40页 |
| ·论文相关的智能优化算法简介 | 第40-42页 |
| ·本文的结构安排和研究内容 | 第42-44页 |
| 第2章 基于粗糙集算法的PSC选船系统目标因素算法 | 第44-59页 |
| ·引言 | 第44-45页 |
| ·粗糙集及数据挖掘相关理论 | 第45-46页 |
| ·粗糙集理论简介 | 第45页 |
| ·基于粗糙集的数据挖掘算法基本理论 | 第45-46页 |
| ·PSC选船影响因素分析 | 第46-50页 |
| ·基于RSES粗糙集软件的数据挖掘过程 | 第50-58页 |
| ·本章小结 | 第58-59页 |
| 第3章 基于粗糙集和层次分析法的PSC选船系统目标因素算法 | 第59-73页 |
| ·引言 | 第59-60页 |
| ·基于粗糙集和层次分析的的数据约简理论 | 第60-64页 |
| ·基于粗糙集和层次分析的数据约简 | 第64-68页 |
| ·属性重要性及依赖度概念 | 第64-65页 |
| ·基于粗糙集、聚类和层次分析的属性重要性及依赖度求解算法 | 第65-68页 |
| ·应用及实例验证 | 第68-72页 |
| ·本章小结 | 第72-73页 |
| 第4章 神经网络方法在PSC选船模型中的应用 | 第73-88页 |
| ·引言 | 第73页 |
| ·BP神经网络简介 | 第73-77页 |
| ·BP神经网络结构 | 第73-75页 |
| ·BP学习算法 | 第75-77页 |
| ·BP神经网络在PSC选船模型中的应用 | 第77-83页 |
| ·确定网络输入输出向量维数 | 第77页 |
| ·样本数据预处理 | 第77页 |
| ·确定传递函数及训练函数 | 第77页 |
| ·确定隐层神经元数目 | 第77-78页 |
| ·BP神经网络在PSC选船模型中的应用 | 第78-83页 |
| ·RBF径向基函数神经网络简介 | 第83-85页 |
| ·RBF径向基函数神经网络在PSC选船模型中的应用 | 第85-87页 |
| ·本章小结 | 第87-88页 |
| 第5章 基于改进粒子群-BP神经网络算法的PSC选船模型 | 第88-100页 |
| ·引言 | 第88-89页 |
| ·改进的粒子群算法 | 第89-91页 |
| ·标准粒子群算法 | 第89页 |
| ·惯性权重改进算法 | 第89页 |
| ·压缩因子改进算法 | 第89-90页 |
| ·基于压缩因子及惯性权重的改进算法 | 第90页 |
| ·惯性权重ω的改进 | 第90-91页 |
| ·基于改进粒子群-BP神经网络算法PSC选船模型及验证 | 第91-97页 |
| ·BP神经网络评价模型 | 第91-92页 |
| ·训练学习过程选船结果分析 | 第92-94页 |
| ·选船结果分析 | 第94-97页 |
| ·实例验证 | 第97-99页 |
| ·本章小结 | 第99-100页 |
| 第6章 基于改进粒子群算法优化支持向量机的风险评价模型 | 第100-119页 |
| ·引言 | 第100页 |
| ·支持向量机基本原理 | 第100-105页 |
| ·拉格朗日乘子法 | 第100-102页 |
| ·支持向量机原理 | 第102-105页 |
| ·基于改进粒子群理论支持向量机理论的PSC选船模型构建 | 第105-107页 |
| ·实例验证 | 第107-118页 |
| ·本章小结 | 第118-119页 |
| 第7章 总结与展望 | 第119-122页 |
| ·全文总结 | 第119-121页 |
| ·未来工作展望 | 第121-122页 |
| 参考文献 | 第122-131页 |
| 附录A 基于实例离散化的PSC选船评价指标决策表 | 第131-132页 |
| 附录B 评价指标重要度专家调查表 | 第132-135页 |
| 附录C 缩略语 | 第135-136页 |
| 攻读学位期间公开发表的论文 | 第136-137页 |
| 致谢 | 第137-138页 |
| 作者简介 | 第138页 |
