| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 不确定性分析研究现状 | 第13-15页 |
| 1.2.1 基于概率理论的随机不确定性分析 | 第13-14页 |
| 1.2.2 基于证据理论的认知不确定性分析 | 第14-15页 |
| 1.3 本文的研究目标和主要研究内容 | 第15-17页 |
| 第2章 基于证据理论的高效认知不确定性分析 | 第17-38页 |
| 2.1 引言 | 第17页 |
| 2.2 证据理论的基本概念 | 第17-19页 |
| 2.2.1 识别框架 | 第17-18页 |
| 2.2.2 基本可信度分配 | 第18页 |
| 2.2.3 可信度与似真度函数 | 第18-19页 |
| 2.3 基于证据理论的高效认知不确定性分析 | 第19-27页 |
| 2.3.1 证据变量的连续化表达 | 第20-22页 |
| 2.3.2 Johnsonp-box和响应分布的概率边界分析 | 第22-26页 |
| 2.3.3 基于单变量降维方法的不确定性传播 | 第26-27页 |
| 2.4 算例分析 | 第27-36页 |
| 2.4.1 解析函数 | 第27-30页 |
| 2.4.2 磁盘破裂界限分析 | 第30-34页 |
| 2.4.3 平板电脑芯片温度分析 | 第34-36页 |
| 2.5 本章小结 | 第36-38页 |
| 第3章 基于降维积分的多峰随机不确定性分析 | 第38-57页 |
| 3.1 引言 | 第38页 |
| 3.2 基于高斯混合模型的多峰随机不确定性建模 | 第38-41页 |
| 3.2.1 高斯混合模型 | 第38-40页 |
| 3.2.2 多峰随机不确定性建模 | 第40-41页 |
| 3.3 基于降维积分的多峰随机不确定性分析 | 第41-46页 |
| 3.3.1 单变量降维方法及响应统计矩的求解 | 第41-43页 |
| 3.3.2 最大熵循环及响应概率的计算 | 第43-46页 |
| 3.4 算例分析 | 第46-56页 |
| 3.4.1 解析函数 | 第46-49页 |
| 3.4.2 20杆平面桁架 | 第49-52页 |
| 3.4.3 52杆穹形桁架 | 第52-56页 |
| 3.5 本章小结 | 第56-57页 |
| 第4章 基于稀疏网格的多峰随机不确定性分析 | 第57-73页 |
| 4.1 引言 | 第57页 |
| 4.2 数值积分方法简介 | 第57-60页 |
| 4.2.1 全因子数值积分方法 | 第57-58页 |
| 4.2.2 稀疏网格数值积分方法 | 第58-60页 |
| 4.3 基于稀疏网格的多峰随机不确定性分析 | 第60-64页 |
| 4.3.1 稀疏网格数值积分方法求响应统计矩 | 第60-62页 |
| 4.3.2 最大熵循环求响应概率分布 | 第62-64页 |
| 4.4 算例分析 | 第64-72页 |
| 4.4.1 解析函数 | 第64-66页 |
| 4.4.2 减速器轴 | 第66-69页 |
| 4.4.3 汽车盘式制动系统 | 第69-72页 |
| 4.5 本章小结 | 第72-73页 |
| 结论与展望 | 第73-75页 |
| 参考文献 | 第75-85页 |
| 致谢 | 第85-86页 |
| 附录 攻读学位期间所发表的学术论文目录 | 第86页 |