基于因果图的不确定性推理理论及算法研究

中文摘要	第1-7页
英文摘要	第7-13页
1 绪论	第13-19页
·论文研究背景	第13-16页
·因果图及研究现状	第16页
·作者的主要工作	第16-17页
·论文的主要内容及安排	第17-19页
2 常见的不确定性知识的表示和推理	第19-51页
·Dempster-Shafer 证据理论	第19-21页
·Dempster-Shafer 证据理论概述	第19-20页
·证据理论面临的困难	第20-21页
·确定性因子	第21-23页
·确定性因子的定义	第21-22页
·确定性因子的计算	第22页
·确定性因子面临的困难	第22-23页
·模糊逻辑与模糊推理	第23-25页
·模糊集合的定义与表示	第23页
·模糊集合的运算	第23-24页
·模糊关系	第24页
·模糊推理	第24-25页
·模糊理论面临的困难	第25页
·粗糙集理论	第25-28页
·粗糙集的提出	第25页
·粗糙集的基本定义和知识表示	第25-28页
·基本粗糙集理论的主要存在的问题	第28页
·主观Bayes 方法	第28-30页
·主观Bayes 方法概述	第28-29页
·主观Bayes 方法面临的困难	第29-30页
·信度网	第30-33页
·动态因果图理论	第33-50页
·因果图及其特点	第33页
·因果图的知识表达	第33-35页
·因果图的推理	第35-50页
·本章小结	第50-51页
3 因果图的学习	第51-75页
·引言	第51-52页
·信度网学习概述	第52-54页
·信度网参数学习算法	第52-53页
·信度网结构学习算法	第53-54页
·因果图中连接强度学习算法研究	第54-61页
·问题的提出	第54-55页
·因果图模型	第55页
·连接强度参数的学习	第55-59页
·实验验证	第59-61页
·因果图参数的在线学习	第61-66页
·因果图的连接强度(参数)在线学习	第61-64页
·参数在线学习的理论依据及优点	第64-65页
·因果图参数在线学习与离线学习的区别	第65-66页
·连续因果图参数学习	第66-71页
·参数估计	第68-69页
·非参数估计	第69-70页
·半参数估计	第70-71页
·因果图结构的学习	第71-73页
·小结	第73-75页
4 因果图与其它知识表达之间的关系	第75-89页
·因果图与信度网的关系	第75-78页
·因果图与信度网的相同点	第76页
·因果图与信度网的不同点	第76-78页
·因果图转化为信度网	第78-84页
·多个原因事件单值因果图的转换	第79-81页
·含有逻辑门的多值因果图的转换	第81-83页
·因果图转化为信度网的算法	第83页
·算例验证	第83-84页
·因果图与产生式规则	第84-88页
·问题的提出	第84页
·产生式规则	第84-85页
·产生式规则与因果图的转换	第85-87页
·实例	第87-88页
·小结	第88-89页
5 因果图的近似推理算法	第89-107页
·引言	第89页
·单值因果图的一种近似推理算法	第89-95页
·连接概率矩阵	第90-93页
·推理规则	第93页
·推理算法	第93-94页
·实例分析	第94-95页
·基于模糊因果图的故障诊断	第95-105页
·模糊数的引入	第96-99页
·模糊因果图的推理	第99页
·实例分析	第99-105页
·小结	第105-107页
6 总结	第107-111页
致谢	第111-113页
参考文献	第113-119页
附录:作者在攻读博士学位期间发表的论文目录	第119-121页
独创性声明	第121页
学位论文版权使用授权书	第121页