熱工過程特殊參量的認知建模方法：證據(jù)理論的拓展與應(yīng)用

第1章 緒論
　1.1 研究背景及問題描述
　1.2 證據(jù)理論：基本概念及相關(guān)計算
　　1.2.1 證據(jù)袁征
　　1.2.2 證據(jù)融合
　　1.2.3 廣義貝葉斯定理
　　1.2.4 證據(jù)決策
　　1.2.5 模糊證據(jù)理論
　　1.2.6 證據(jù)理論的矩陣計算
　1.3 證據(jù)理論發(fā)展現(xiàn)狀及存在的問題
　　1.3.1 證據(jù)（信度函數(shù)）的解釋
　　1.3.2 證據(jù)的構(gòu)建
　　1.3.3 證據(jù)融合悖論和獨立性假設(shè)
　　1.3.4 證據(jù)融合計算復雜度的簡化
　　1.3.5 證據(jù)理論存在的問題和發(fā)展趨勢
　1.4 主要研究內(nèi)容及安排
　1.5 主要貢獻
第2章 拓展權(quán)函數(shù)
　2.1 證據(jù)正則分解
　　2.1.1 與權(quán)函數(shù)
　　2.1.2 并權(quán)函數(shù)
　　2.1.3 基于權(quán)函數(shù)的證據(jù)融合法則
　2.2 權(quán)函數(shù)拓展研究
　2.3 拓展權(quán)函數(shù)的應(yīng)用
　　2.3.1 基于拓展權(quán)函數(shù)的信度函數(shù)間的轉(zhuǎn)換
　　2.3.2 基于拓展權(quán)函數(shù)的改進型融合法則
　2.4 本章小節(jié)
第3章 證據(jù)融合獨立性假設(shè)及廣義范數(shù)融合法則
　3.1 引言
　3.2 廣義范數(shù)的定義及證明
　3.3 基于廣義范數(shù)的證據(jù)融合法則研究
　　3.3.1 廣義T范數(shù)與法則
　　3.3.2 廣義U范數(shù)與法則
　　3.3.3 廣義T范數(shù)并法則和廣義U范數(shù)并法則
　　3.3.4 廣義范數(shù)融合法則的討論
　　3.3.5 廣義范數(shù)融合法則的簡化
　　3.3.6 廣義范數(shù)融合法則應(yīng)用示例及分析
　3.4 模糊證據(jù)融合法則研究
　　3.4.1 經(jīng)典模糊證據(jù)融合法則分析
　　3.4.2 模糊證據(jù)的離散化策略研究
　　3.4.3 基于廣義T范數(shù)與法則及離散化策略的模糊證據(jù)融合
　3.5 本章小結(jié)
第4章 證據(jù)k-NN分類算法及其在模式識別中的應(yīng)用
　4.1 引言
　4.2 經(jīng)典證據(jù)k-NN分類器
　4.3 經(jīng)典證據(jù)k-NN分類器存在的局限性分析
　4.4 三種變體證據(jù)k-NN分類器
　　4.4.1 基于自適應(yīng)度量空間及參數(shù)優(yōu)化的證據(jù)k-NN分類器
　　4.4.2 基于廣義T范數(shù)與法則的證據(jù)k-NN分類器
　　4.4.3 魯棒自適應(yīng)證據(jù)k-NN分類器
　　4.4.4 實驗分析
　4.5 本章小結(jié)
第5章 證據(jù)鄰域粗糙集模型及其在屬性約簡中的應(yīng)用
　5.1 引言
　5.2 鄰域粗糙集模型及屬性約簡
　5.3 基于鄰域證據(jù)決策誤差率的屬性約簡算法研究
　5.4 證據(jù)鄰域粗糙集模型及屬性約簡算法研究
　5.5 實驗分析
　　5.5.1 屬性約簡算法敏感性分析及分類精度驗證
　　5.5.2 證據(jù)鄰域決策系統(tǒng)的屬性約簡模擬分析
　5.6 本章小結(jié)
第6章 證據(jù)回歸多模型建模方法及其在過程預測中的應(yīng)用
　6.1 引言
　……
第7章 基于證據(jù)回歸多模型的鋼球磨煤機料位認知建模
第8章 基于證據(jù)回歸多模型的汽輪機排汽焓認知建模
第9章 證據(jù)回歸多模型簡化及其用于熱工過程有樣本參量的監(jiān)測
第10章 區(qū)間證據(jù)理論及其在決策中的應(yīng)用
參考文獻