基于广义证据理论的多模式智能推理与融合研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 序论 | 第13-24页 |
| 1.1 研究背景 | 第13-17页 |
| 1.1.1 信息融合 | 第14-16页 |
| 1.1.2 推理机 | 第16-17页 |
| 1.1.3 多模式信息推理与融合 | 第17页 |
| 1.2 国内外发展现状 | 第17-20页 |
| 1.2.1 国外发展现状 | 第18页 |
| 1.2.2 国内发展现状 | 第18-20页 |
| 1.3 研究意义 | 第20-21页 |
| 1.4 论文的主要内容与章节安排 | 第21-24页 |
| 第二章 证据理论基础 | 第24-34页 |
| 2.1 证据理论基本概念 | 第24-27页 |
| 2.2 证据理论组合规则 | 第27-28页 |
| 2.3 D-S证据理论存在的问题 | 第28-29页 |
| 2.4 广义证据理论 | 第29-33页 |
| 2.4.1 广义证据理论基本概念 | 第30-31页 |
| 2.4.2 广义组合规则 | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 不确定性信息的表示与推理 | 第34-48页 |
| 3.1 不确定性信息分类及描述 | 第34-35页 |
| 3.2 不确定性信息的BPA与GBPA生成方法 | 第35-41页 |
| 3.2.1 不确定性信息的表达与BPA生成 | 第35-38页 |
| 3.2.2 不确定性信息的GBPA生成 | 第38页 |
| 3.2.3 算例 | 第38-41页 |
| 3.3 基于区间的GBPA生成方法 | 第41-47页 |
| 3.3.1 区间数的距离与相似度 | 第41-43页 |
| 3.3.2 实验 | 第43-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 多模式智能推理与融合引擎 | 第48-70页 |
| 4.1 多模式智能推理与融合基本框架 | 第48-50页 |
| 4.2 广义证据理论推理工具 | 第50-59页 |
| 4.2.1 训练样本建模模块 | 第51-55页 |
| 4.2.2 GBPA生成模块 | 第55-56页 |
| 4.2.3 证据推理与决策模块 | 第56-59页 |
| 4.2.4 状态监控模块 | 第59页 |
| 4.3 贝叶斯网络推理工具 | 第59-63页 |
| 4.3.1 贝叶斯网络学习模块 | 第60-62页 |
| 4.3.2 贝叶斯网络推理模块 | 第62页 |
| 4.3.3 状态监控模块 | 第62-63页 |
| 4.4 神经网络推理工具 | 第63-67页 |
| 4.4.1 神经网络学习模块 | 第64-66页 |
| 4.4.2 神经网络推理模块 | 第66页 |
| 4.4.3 状态监控模块 | 第66-67页 |
| 4.5 融合模块 | 第67-68页 |
| 4.6 状态监控模块 | 第68页 |
| 4.7 本章小结 | 第68-70页 |
| 第五章 多模式智能推理与融合验证实验 | 第70-86页 |
| 5.1 平台软件 | 第70-73页 |
| 5.2 应用背景与验证程序 | 第73-81页 |
| 5.2.1 机载导弹武器作战效能评估 | 第73-74页 |
| 5.2.2 验证程序 | 第74-81页 |
| 5.3 测试实验 | 第81-85页 |
| 5.4 本章小结 | 第85-86页 |
| 第六章 结束语 | 第86-88页 |
| 6.1 主要工作与创新点 | 第86-87页 |
| 6.2 后续研究工作 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 致谢 | 第92-93页 |
| 攻读硕士学位期间已发表或录用的论文及专利 | 第93-94页 |
| 附件 | 第94页 |
