熱工過程特殊參量的認知建模方法：證據理論的拓展與應用

第1章 緒論
　1.1 研究背景及問題描述
　1.2 證據理論：基本概念及相關計算
　　1.2.1 證據袁征
　　1.2.2 證據融合
　　1.2.3 廣義貝葉斯定理
　　1.2.4 證據決策
　　1.2.5 模糊證據理論
　　1.2.6 證據理論的矩陣計算
　1.3 證據理論發(fā)展現狀及存在的問題
　　1.3.1 證據（信度函數）的解釋
　　1.3.2 證據的構建
　　1.3.3 證據融合悖論和獨立性假設
　　1.3.4 證據融合計算復雜度的簡化
　　1.3.5 證據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
　2.1 證據正則分解
　　2.1.1 與權函數
　　2.1.2 并權函數
　　2.1.3 基于權函數的證據融合法則
　2.2 權函數拓展研究
　2.3 拓展權函數的應用
　　2.3.1 基于拓展權函數的信度函數間的轉換
　　2.3.2 基于拓展權函數的改進型融合法則
　2.4 本章小節(jié)
第3章 證據融合獨立性假設及廣義范數融合法則
　3.1 引言
　3.2 廣義范數的定義及證明
　3.3 基于廣義范數的證據融合法則研究
　　3.3.1 廣義T范數與法則
　　3.3.2 廣義U范數與法則
　　3.3.3 廣義T范數并法則和廣義U范數并法則
　　3.3.4 廣義范數融合法則的討論
　　3.3.5 廣義范數融合法則的簡化
　　3.3.6 廣義范數融合法則應用示例及分析
　3.4 模糊證據融合法則研究
　　3.4.1 經典模糊證據融合法則分析
　　3.4.2 模糊證據的離散化策略研究
　　3.4.3 基于廣義T范數與法則及離散化策略的模糊證據融合
　3.5 本章小結
第4章 證據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k-NN分類器
　4.3 經典證據k-NN分類器存在的局限性分析
　4.4 三種變體證據k-NN分類器
　　4.4.1 基于自適應度量空間及參數優(yōu)化的證據k-NN分類器
　　4.4.2 基于廣義T范數與法則的證據k-NN分類器
　　4.4.3 魯棒自適應證據k-NN分類器
　　4.4.4 實驗分析
　4.5 本章小結
第5章 證據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 基于鄰域證據決策誤差率的屬性約簡算法研究
　5.4 證據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 基于證據回歸多模型的鋼球磨煤機料位認知建模
第8章 基于證據回歸多模型的汽輪機排汽焓認知建模
第9章 證據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)間證據理論及其在決策中的應用
參考文獻