| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 选题背景 | 第10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.4 论文结构 | 第12-14页 |
| 第二章 武器作战环境要素及权重 | 第14-26页 |
| 2.1 环境特征要素的选取 | 第14-16页 |
| 2.1.1 影响武器作战的环境要素分析 | 第14-16页 |
| 2.2 要素特征权重确定方法 | 第16-22页 |
| 2.2.1 基于G1法的主观权重确定方法 | 第16-18页 |
| 2.2.2 客观的灰色关联度分析方法 | 第18-21页 |
| 2.2.3 基于主客观的综合权重方法 | 第21-22页 |
| 2.3 权重计算 | 第22-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 特征加权SVR的武器作战效能评估模型 | 第26-44页 |
| 3.1 特征加权SVR的研究意义 | 第26-27页 |
| 3.2 SVM机器学习理论基础 | 第27-29页 |
| 3.2.1 学习问题的模型 | 第27-28页 |
| 3.2.2 统计学习理论基础 | 第28-29页 |
| 3.3 支持向量机相关知识 | 第29-35页 |
| 3.3.1 最大间隔分类超平面 | 第29-32页 |
| 3.3.2 核函数机制 | 第32页 |
| 3.3.3 支持向量回归机 | 第32-35页 |
| 3.4 基于特征加权SVR的武器效能评估模型 | 第35-40页 |
| 3.4.1 SVR评估模型 | 第35-37页 |
| 3.4.2 v-支持向量回归机模型 | 第37-38页 |
| 3.4.3 特征加权支持向量回归机(WSVR)模型 | 第38-40页 |
| 3.4.4 WSVR模型算法实现 | 第40页 |
| 3.5 实验验证 | 第40-42页 |
| 3.6 本章小结 | 第42-44页 |
| 第四章 改进PSO的WSVR参数优化及训练算法研究 | 第44-64页 |
| 4.1 智能优化算法概述 | 第44-46页 |
| 4.1.1 群智能优化算法 | 第44-45页 |
| 4.1.2 非群智能优化算法 | 第45-46页 |
| 4.2 改进的混沌模拟退火自适应惯性系数PSO优化算法 | 第46-56页 |
| 4.2.1 标准法PSO算法 | 第46-51页 |
| 4.2.2 模拟退火优化思想 | 第51-52页 |
| 4.2.3 混沌思想 | 第52-53页 |
| 4.2.4 改进的CSA-PSO优化算法 | 第53-56页 |
| 4.3 SVM模型训练算法研究 | 第56-60页 |
| 4.3.1 训练算法研究 | 第56-57页 |
| 4.3.2 SMO算法 | 第57-60页 |
| 4.4 案例分析 | 第60-62页 |
| 4.6 本章小结 | 第62-64页 |
| 第五章 评估模型自学习的研究与实现 | 第64-92页 |
| 5.1 武器效能评估信息存储 | 第64-68页 |
| 5.1.1 样本数据的存储 | 第64页 |
| 5.1.2 存储结构简单设计 | 第64-68页 |
| 5.2 武器效能通用评估模型 | 第68-71页 |
| 5.2.1 两大类单项评估模型 | 第68-70页 |
| 5.2.2 组合通用评估模型 | 第70-71页 |
| 5.3 武器效能衍生推理专用模型 | 第71-75页 |
| 5.3.1 衍生推理思想 | 第71-73页 |
| 5.3.2 相似武器匹配 | 第73-75页 |
| 5.4 自学习机制研究 | 第75-78页 |
| 5.4.1 通用模型自适应选择 | 第75-77页 |
| 5.4.2 专用评估模型自学习 | 第77-78页 |
| 5.5 衍生推理及模型自学习功能实现 | 第78-90页 |
| 5.5.1 功能模块需求分析 | 第78-80页 |
| 5.5.2 UML建模和.Net三层架构 | 第80-82页 |
| 5.5.3 功能模块三层架构实现 | 第82-90页 |
| 5.6 组件调用关系 | 第90-91页 |
| 5.7 本章小结 | 第91-92页 |
| 第六章 总结与展望 | 第92-94页 |
| 6.1 工作总结 | 第92-93页 |
| 6.2 下一步工作重点 | 第93-94页 |
| 致谢 | 第94-96页 |
| 参考文献 | 第96-102页 |
| 发表论文列表 | 第102页 |
