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)的構建
　　1.3.3 證據(jù)融合悖論和獨立性假設
　　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 主要研究內容及安排
　1.5 主要貢獻
第2章 拓展權函數(shù)
　2.1 證據(jù)正則分解
　　2.1.1 與權函數(shù)
　　2.1.2 并權函數(shù)
　　2.1.3 基于權函數(shù)的證據(jù)融合法則
　2.2 權函數(shù)拓展研究
　2.3 拓展權函數(shù)的應用
　　2.3.1 基于拓展權函數(shù)的信度函數(shù)間的轉換
　　2.3.2 基于拓展權函數(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)融合法則應用示例及分析
　3.4 模糊證據(jù)融合法則研究
　　3.4.1 經典模糊證據(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
第4章 證據(jù)k-NN分類算法及其在模式識別中的應用
　4.1 引言
　4.2 經典證據(jù)k-NN分類器
　4.3 經典證據(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 魯棒自適應證據(jù)k-NN分類器
　　4.4.4 實驗分析
　4.5 本章小結
第5章 證據(jù)鄰域粗糙集模型及其在屬性約簡中的應用
　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
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用
參考文獻