基于蚁群神经网络的软件老化趋势预测
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 前言 | 第9-14页 |
| ·研究软件老化的意义 | 第9-11页 |
| ·国内外研究的现状 | 第11-13页 |
| ·本文主要研究内容 | 第13页 |
| ·本文的结构与组织 | 第13-14页 |
| 第2章 实验平台构建 | 第14-20页 |
| ·总体设计 | 第14页 |
| ·详细设计 | 第14-17页 |
| ·软件部署 | 第15页 |
| ·软件参数设置 | 第15-17页 |
| ·数据采集 | 第17-19页 |
| ·本章小结 | 第19-20页 |
| 第3章 软件老化趋势预测算法 | 第20-29页 |
| ·线性方法 | 第20-26页 |
| ·Sen slope基础 | 第20-21页 |
| ·Sen slope趋势预测 | 第21-23页 |
| ·ARMA基础 | 第23-24页 |
| ·ARMA模型趋势预测 | 第24-26页 |
| ·非线性方法 | 第26-28页 |
| ·生物神经元网络 | 第26页 |
| ·人工神经元模型 | 第26-27页 |
| ·神经网络学习 | 第27-28页 |
| ·神经网络预测 | 第28页 |
| ·本章小结 | 第28-29页 |
| 第4章 基于BP神经网络的软件老化趋势预测 | 第29-37页 |
| ·BP神经网络基础 | 第29页 |
| ·BP神经网络结构 | 第29页 |
| ·BP神经网络的训练算法 | 第29-30页 |
| ·BP算法改进 | 第30-31页 |
| ·BP神经网络缺点 | 第31页 |
| ·BP神经网络预测 | 第31-36页 |
| ·组织样本 | 第31页 |
| ·确定参数 | 第31-33页 |
| ·数据预处理 | 第33-35页 |
| ·进行预测 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第5章 基于蚁群神经网络的软件老化趋势预测 | 第37-49页 |
| ·蚁群算法及应用 | 第37-38页 |
| ·蚁群算法原理 | 第38-39页 |
| ·蚁群算法的特点 | 第39页 |
| ·蚁群算法优化模型 | 第39-41页 |
| ·蚁群算法实现过程 | 第41-42页 |
| ·蚁群算法参数的选择 | 第42-43页 |
| ·蚁群规模参数S | 第42-43页 |
| ·信息素残留度ρ | 第43页 |
| ·总信息量Q | 第43页 |
| ·蚁群神经网络算法流程 | 第43-44页 |
| ·蚁群神经网络预测 | 第44-46页 |
| ·预测结果的评估 | 第46-47页 |
| ·误差函数 | 第46页 |
| ·性能比较 | 第46-47页 |
| ·本章小结 | 第47-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第55-56页 |
| 致谢 | 第56页 |
