| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究问题 | 第13-15页 |
| 1.3 研究目的及意义 | 第15-16页 |
| 1.4 研究方案 | 第16-20页 |
| 1.4.1 研究思路 | 第16-17页 |
| 1.4.2 研究框架及内容 | 第17-19页 |
| 1.4.3 研究方法及工具 | 第19-20页 |
| 1.5 本章总结 | 第20-21页 |
| 2 客户需求与产品配置智能映射的总体研究 | 第21-45页 |
| 2.1 引言 | 第21页 |
| 2.2 产品配置方法研究 | 第21-30页 |
| 2.2.1 产品配置器 | 第21-24页 |
| 2.2.2 感性工学 | 第24-26页 |
| 2.2.3 领先用户 | 第26-28页 |
| 2.2.4 移情设计 | 第28-29页 |
| 2.2.5 产品配置方法研究总结 | 第29-30页 |
| 2.3 客户需求识别方法研究 | 第30-36页 |
| 2.3.1 焦点小组 | 第30-31页 |
| 2.3.2 质量功能展开 | 第31-32页 |
| 2.3.3 联合分析 | 第32-33页 |
| 2.3.4 Kano模型 | 第33-36页 |
| 2.3.5 客户需求识别方法总结 | 第36页 |
| 2.4 客户需求与产品配置的智能映射研究 | 第36-43页 |
| 2.4.1 智能映射过程 | 第36-39页 |
| 2.4.2 智能分类器 | 第39-41页 |
| 2.4.3 数据降维方法 | 第41-42页 |
| 2.4.4 智能映射研究总结 | 第42-43页 |
| 2.5 本章总结 | 第43-45页 |
| 3 智能映射中的智能分类器研究 | 第45-65页 |
| 3.1 引言 | 第45-46页 |
| 3.2 智能分类器研究 | 第46-53页 |
| 3.2.1 朴素贝叶斯 | 第46-47页 |
| 3.2.2 C4.5 决策树 | 第47-48页 |
| 3.2.3 K最近邻分类器 | 第48-50页 |
| 3.2.4 多层感知器 | 第50-51页 |
| 3.2.5 支持向量机 | 第51-52页 |
| 3.2.6 相关向量机 | 第52-53页 |
| 3.3 背景数据与实验设计 | 第53-58页 |
| 3.3.1 背景数据及实验方案 | 第53-55页 |
| 3.3.2 智能分类器效果检验方法 | 第55-57页 |
| 3.3.3 智能分类器效果评价指标 | 第57-58页 |
| 3.4 结果与讨论 | 第58-64页 |
| 3.5 本章总结 | 第64-65页 |
| 4 智能映射中的一般数据降维方法研究 | 第65-85页 |
| 4.1 引言 | 第65-66页 |
| 4.2 数据降维方法研究 | 第66-74页 |
| 4.2.1 PCA | 第68-69页 |
| 4.2.2 ICA | 第69-70页 |
| 4.2.3 KPCA | 第70-71页 |
| 4.2.4 MDS | 第71-72页 |
| 4.2.5 Isomap | 第72页 |
| 4.2.6 LLE | 第72-73页 |
| 4.2.7 LE | 第73-74页 |
| 4.3 背景数据与实验设计 | 第74-78页 |
| 4.3.1 背景数据及实验方案 | 第74-76页 |
| 4.3.2 降维方法效果检验方法 | 第76页 |
| 4.3.3 降维方法效果评价指标 | 第76-78页 |
| 4.4 结果与讨论 | 第78-83页 |
| 4.4.1 降维效果比较 | 第78-81页 |
| 4.4.2 降维与分类集成效果比较 | 第81-83页 |
| 4.5 本章总结 | 第83-85页 |
| 5 智能映射中的高维稀疏数据降维方法研究 | 第85-95页 |
| 5.1 引言 | 第85-88页 |
| 5.2 基于测地线距离及邻域再扩展改进策略的LLE | 第88-90页 |
| 5.3 背景数据与实验设计 | 第90页 |
| 5.3.1 背景数据及实验方案 | 第90页 |
| 5.3.2 对比检验方法 | 第90页 |
| 5.3.3 对比评价指标 | 第90页 |
| 5.4 结果与讨论 | 第90-94页 |
| 5.4.1 降维效果比较 | 第90-92页 |
| 5.4.2 降维与分类集成效果比较 | 第92-94页 |
| 5.5 本章总结 | 第94-95页 |
| 6 基于交易数据的客户需求与产品配置智能映射方法 | 第95-111页 |
| 6.1 引言 | 第95-96页 |
| 6.2 基于交易数据的智能映射方法 | 第96-101页 |
| 6.2.1 方法框架 | 第96-97页 |
| 6.2.2 产品聚类 | 第97-100页 |
| 6.2.3 配置计划生成 | 第100页 |
| 6.2.4 配置计划选取 | 第100-101页 |
| 6.3 案例应用 | 第101-110页 |
| 6.3.1 背景及数据 | 第101-104页 |
| 6.3.2 产品类别 | 第104-106页 |
| 6.3.3 可行配置计划 | 第106-109页 |
| 6.3.4 最终配置计划 | 第109-110页 |
| 6.4 结论与讨论 | 第110页 |
| 6.5 本章总结 | 第110-111页 |
| 7 基于客户积极评论的客户需求与产品配置智能映射方法 | 第111-125页 |
| 7.1 引言 | 第111-112页 |
| 7.2 基于客户积极评论的智能映射方法 | 第112-116页 |
| 7.2.1 方法框架 | 第112-113页 |
| 7.2.2 识别评论语句 | 第113-114页 |
| 7.2.3 确定积极评论及满意需求 | 第114-115页 |
| 7.2.4 客户需求与产品配置计划的映射 | 第115-116页 |
| 7.3 案例应用 | 第116-122页 |
| 7.3.1 背景及数据 | 第116-117页 |
| 7.3.2 识别的满意需求 | 第117-119页 |
| 7.3.3 智能分类器的验证 | 第119-120页 |
| 7.3.4 映射结果 | 第120-122页 |
| 7.4 结论与讨论 | 第122-123页 |
| 7.5 本章总结 | 第123-125页 |
| 8 基于交易数据及客户评论的客户需求与产品配置智能映射方法 | 第125-141页 |
| 8.1 引言 | 第125-126页 |
| 8.2 基于交易数据及客户评论的智能映射方法 | 第126-130页 |
| 8.2.1 方法框架 | 第126-127页 |
| 8.2.2 可行产品配置计划生成 | 第127-129页 |
| 8.2.3 训练数据生成 | 第129页 |
| 8.2.4 客户需求与产品配置映射 | 第129-130页 |
| 8.3 案例应用 | 第130-139页 |
| 8.3.1 背景及数据 | 第130-131页 |
| 8.3.2 可行产品配置计划 | 第131-134页 |
| 8.3.3 智能分类器训练数据 | 第134-135页 |
| 8.3.4 最终产品配置计划确定 | 第135-137页 |
| 8.3.5 产品开发案例对比 | 第137-139页 |
| 8.4 结论与讨论 | 第139页 |
| 8.5 本章总结 | 第139-141页 |
| 9 结论与讨论 | 第141-145页 |
| 9.1 研究成果和创新点 | 第141-142页 |
| 9.2 研究限制与展望 | 第142-145页 |
| 致谢 | 第145-147页 |
| 参考文献 | 第147-179页 |
| 附录 | 第179-188页 |
| A 相关向量机/RVM中初始值 α 的更新迭代过程 | 第179-182页 |
| B 图 3.3 数值表（不同稀疏度下各智能分类器准确度值及广义F值变化情况） | 第182-183页 |
| C 图 4.5 数值表（案例一背景下不同降维方法与NBC集成效果） | 第183-185页 |
| D 图 5.4 数值表（案例一背景下G&NR-LLE与其他降维方法和NBC集成效果） | 第185-186页 |
| E 攻读博士期间录用、发表的论文目录 | 第186-188页 |
| F 攻读博士期间参加的主要科研项目 | 第188页 |
