| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 研究背景和意义 | 第10-13页 |
| 1.1.1 研究背景 | 第10-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 文献综述 | 第13-17页 |
| 1.2.1 复杂产品研究综述 | 第13-15页 |
| 1.2.2 关键质量特性识别研究综述 | 第15-16页 |
| 1.2.3 复杂产品关键质量特性识别的研究 | 第16-17页 |
| 1.3 主要研究内容 | 第17-19页 |
| 1.4 研究的创新点 | 第19页 |
| 1.5 本章小结 | 第19-21页 |
| 第二章 复杂产品关键质量特性识别的基本理论和方法 | 第21-36页 |
| 2.1 复杂产品概述 | 第21-22页 |
| 2.1.1 复杂产品的概念 | 第21页 |
| 2.1.2 复杂产品的特征 | 第21-22页 |
| 2.2 产品关键质量特性的内涵 | 第22-25页 |
| 2.2.1 产品质量 | 第22-23页 |
| 2.2.2 质量特性 | 第23-24页 |
| 2.2.3 关键质量特性 | 第24-25页 |
| 2.3 产品关键质量特性识别的基本方法 | 第25-35页 |
| 2.3.1 质量功能展开 | 第26-28页 |
| 2.3.2 序贯试验设计 | 第28页 |
| 2.3.3 数据挖掘 | 第28-34页 |
| 2.3.4 特征选择 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于LASSO的复杂产品关键质量特性识别 | 第36-51页 |
| 3.1 范数选择 | 第36-39页 |
| 3.1.1 范数 | 第36页 |
| 3.1.2 范数选择 | 第36-39页 |
| 3.1.2.1 岭回归 | 第37页 |
| 3.1.2.2 LASSO方法 | 第37-39页 |
| 3.2 基于LASSO的关键质量特性识别 | 第39-45页 |
| 3.2.1 最小角回归 | 第39页 |
| 3.2.2 支持向量机 | 第39-42页 |
| 3.2.3 交叉验证 | 第42-43页 |
| 3.2.4 构建CTQs识别方法 | 第43-45页 |
| 3.3 算例应用分析 | 第45-50页 |
| 3.3.1 数据描述 | 第45页 |
| 3.3.2 数据预处理 | 第45-47页 |
| 3.3.3 试验结果和分析 | 第47-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 基于粗糙集与引力搜索算法的复杂产品关键质量特性识别 | 第51-65页 |
| 4.1 粗糙集理论基本知识 | 第51-55页 |
| 4.1.1 信息系统和决策表 | 第51页 |
| 4.1.2 不可分辨关系与近似 | 第51-53页 |
| 4.1.3 知识依赖度 | 第53页 |
| 4.1.4 属性的重要性 | 第53-54页 |
| 4.1.5 知识约简 | 第54-55页 |
| 4.2 基于粗糙集与改进引力搜索算法的CTQs识别 | 第55-60页 |
| 4.2.1 引力搜索算法 | 第55-58页 |
| 4.2.2 关键质量特性识别搜索方法的构建 | 第58-60页 |
| 4.3 算例应用分析 | 第60-64页 |
| 4.3.1 数据描述 | 第60-61页 |
| 4.3.2 试验结果和分析 | 第61-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 基于互信息属性聚类的复杂产品关键质量特性识别 | 第65-77页 |
| 5.1 聚类分析 | 第65-67页 |
| 5.1.1 聚类分析的原理 | 第65-66页 |
| 5.1.2 聚类数据类型 | 第66页 |
| 5.1.3 聚类的方法 | 第66-67页 |
| 5.2 信息熵与互信息 | 第67-71页 |
| 5.2.1 信息熵 | 第67-68页 |
| 5.2.2 条件熵 | 第68-70页 |
| 5.2.3 联合熵 | 第70页 |
| 5.2.4 互信息 | 第70-71页 |
| 5.3 CTQs识别聚类方法构建 | 第71-73页 |
| 5.3.1 属性聚类 | 第71页 |
| 5.3.2 弹性网 | 第71-72页 |
| 5.3.3 基于属性聚类的CTQs识别 | 第72-73页 |
| 5.4 算例应用分析 | 第73-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第六章 基于Filter与Wrapper混合模型的复杂产品关键质量特性识别 | 第77-88页 |
| 6.1 Filter与Wrapper混合模型 | 第77-79页 |
| 6.2 粒子群优化算法 | 第79-83页 |
| 6.2.1 基本粒子群算法 | 第80-81页 |
| 6.2.2 二值离散粒子群 | 第81-83页 |
| 6.3 CTQs识别混合模型构建 | 第83-85页 |
| 6.3.1 信息相关冗余 | 第83页 |
| 6.3.2 kNN分类器 | 第83-84页 |
| 6.3.3 构建CTQs组合识别方法 | 第84-85页 |
| 6.4 算例应用分析 | 第85-87页 |
| 6.5 本章小结 | 第87-88页 |
| 第七章 总结与展望 | 第88-91页 |
| 7.1 总结 | 第88-89页 |
| 7.2 研究展望 | 第89-91页 |
| 参考文献 | 第91-101页 |
| 发表论文和科研情况说明 | 第101-102页 |
| 致谢 | 第102-103页 |
