| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究目的和意义 | 第12-13页 |
| 1.2.1 研究目的 | 第12-13页 |
| 1.2.2 研究意义 | 第13页 |
| 1.3 国内外研究文献综述 | 第13-15页 |
| 1.3.1 备件分类方法研究进展 | 第14页 |
| 1.3.2 备件需求预测研究进展 | 第14-15页 |
| 1.4 研究内容和技术路线 | 第15-17页 |
| 2 不常用备件的判定和需求预测理论概述 | 第17-29页 |
| 2.1 不常用备件的定义和需求特征 | 第17-19页 |
| 2.1.1 不常用备件的定义 | 第17-18页 |
| 2.1.2 不常用备件需求特征 | 第18-19页 |
| 2.2 备件分类方法 | 第19-22页 |
| 2.2.1 典型分类方法与不足 | 第19-21页 |
| 2.2.2 聚类分析原理及优点 | 第21-22页 |
| 2.3 需求预测方法 | 第22-29页 |
| 2.3.1 典型预测方法与不足 | 第22-24页 |
| 2.3.2 BP神经网络原理及优点 | 第24-29页 |
| 3 基于聚类分析的动车组备件分类 | 第29-37页 |
| 3.1 动车组备件分类现状 | 第29-30页 |
| 3.2 聚类分析方法分析 | 第30-32页 |
| 3.2.1 聚类分析的算法类型 | 第30-31页 |
| 3.2.2 聚类分析的数据类型 | 第31-32页 |
| 3.3 备件聚类分析结果 | 第32-37页 |
| 3.3.1 备件聚类指标筛选 | 第32-33页 |
| 3.3.2 数据标准化处理 | 第33-34页 |
| 3.3.3 备件聚类结果 | 第34-37页 |
| 4 基于GA-BP神经网络的不常用备件需求时刻的预测 | 第37-50页 |
| 4.1 基于BP神经网络的需求时刻的预测 | 第37-43页 |
| 4.1.1 BP神经网络主要学习参数的确定 | 第37-39页 |
| 4.1.2 BP神经网络预测需求发生时刻预测算例分析 | 第39-41页 |
| 4.1.3 BP神经网络的不足 | 第41-43页 |
| 4.2 遗传算法对BP神经网络参数的优化 | 第43-50页 |
| 4.2.1 遗传算法的特点 | 第43-44页 |
| 4.2.2 遗传算法优化BP神经网络过程 | 第44-45页 |
| 4.2.3 GA-BP网络初始权值和阈值的确定 | 第45-48页 |
| 4.2.4 GA-BP神经网络预测需求发生时刻算例分析 | 第48-50页 |
| 5 基于GA-BP神经网络的不常用备件需求量的预测 | 第50-61页 |
| 5.1 备件需求量影响因素分析 | 第50-52页 |
| 5.2 备件需求影响因素的量化 | 第52-55页 |
| 5.3 备件关键影响因素的筛选 | 第55-57页 |
| 5.3.1 灰色关联度分析 | 第55-56页 |
| 5.3.2 关键因素筛选结果 | 第56-57页 |
| 5.4 基于GA-BP神经网络的备件需求量预测 | 第57-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-65页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第65-67页 |
| 学位论文数据集 | 第67页 |
