| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 数据融合的研究现状 | 第11-12页 |
| 1.2.2 决策级数据融合的研究现状 | 第12-14页 |
| 1.2.3 CPS与数据融合的研究现状 | 第14-15页 |
| 1.2.4 时间序列融合的研究现状 | 第15-16页 |
| 1.3 主要研究内容及创新点 | 第16-18页 |
| 1.3.1 主要研究内容 | 第16-17页 |
| 1.3.2 主要创新点 | 第17-18页 |
| 1.4 主要研究方法 | 第18页 |
| 1.5 论文组织结构 | 第18-19页 |
| 第二章 CPS中的数据融合技术 | 第19-28页 |
| 2.1 CPS概述 | 第19-24页 |
| 2.1.1 CPS定义 | 第19页 |
| 2.1.2 CPS系统特性 | 第19-22页 |
| 2.1.3 CPS系统结构 | 第22-24页 |
| 2.2 数据融合技术研究 | 第24-26页 |
| 2.2.1 数据融合的定义 | 第24页 |
| 2.2.2 数据融合的分类 | 第24-26页 |
| 2.2.3 数据融合的应用 | 第26页 |
| 2.3 决策融合算法分析 | 第26-27页 |
| 2.3.1 贝叶斯推理 | 第26页 |
| 2.3.2 D-S证据理论 | 第26-27页 |
| 2.3.3 模糊逻辑 | 第27页 |
| 2.3.4 神经网络 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于时间序列的CPS决策级融合(TS-DLF)算法 | 第28-40页 |
| 3.1 TS-DLF问题定义 | 第28-30页 |
| 3.2 TS-DLF算法设计 | 第30-33页 |
| 3.2.1 数据分析 | 第30页 |
| 3.2.2 决策融合模型设计 | 第30-32页 |
| 3.2.3 时间戳衰变模型设计 | 第32-33页 |
| 3.2.4 反馈模型设计 | 第33页 |
| 3.3 实例仿真与结果分析 | 第33-39页 |
| 3.3.1 项目介绍 | 第33-34页 |
| 3.3.2 仿真条件说明 | 第34-35页 |
| 3.3.3 仿真与结果分析 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于机器学习的CPS决策预测模型(ML-DPM)研究 | 第40-58页 |
| 4.1 相关理论概述 | 第40-48页 |
| 4.1.1 机器学习背景概述 | 第40-42页 |
| 4.1.2 理论基础 | 第42-48页 |
| 4.2 ML-DPM设计 | 第48-50页 |
| 4.2.1 ML-DPM模型结构 | 第48-49页 |
| 4.2.2 系统工作流程 | 第49-50页 |
| 4.3 仿真设计 | 第50-52页 |
| 4.3.1 仿真流程设计 | 第50页 |
| 4.3.2 仿真模型设计 | 第50-52页 |
| 4.4 仿真结果分析 | 第52-55页 |
| 4.4.1 仿真参数说明 | 第52-53页 |
| 4.4.2 与连续时间无关的诊断 | 第53页 |
| 4.4.3 与连续时间有关的诊断 | 第53-54页 |
| 4.4.4 与连续时间有关的预测 | 第54页 |
| 4.4.5 权重对比 | 第54-55页 |
| 4.5 不同策略下的调优研究 | 第55-57页 |
| 4.5.1 基于样本集合数量的调优 | 第55-56页 |
| 4.5.2 基于学习速率的调优 | 第56页 |
| 4.5.3 基于网络复杂度的调优 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 本文总结 | 第58页 |
| 5.2 研究展望 | 第58-60页 |
| 参考文献 | 第60-68页 |
| 附录1 ML-DPM模型与连续时间无关的诊断结果 | 第68-70页 |
| 附录2 ML-DPM模型与连续时间有关的诊断结果 | 第70-72页 |
| 致谢 | 第72-73页 |
| 作者攻读硕士学位期间发表的学术论文 | 第73页 |