基于云变换的信息融合方法及智能推理模型的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 创新点摘要 | 第6-7页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外相关研究 | 第9-13页 |
| 1.2.1 云模型研究现状 | 第9-11页 |
| 1.2.2 模糊推理模型研究现状 | 第11-12页 |
| 1.2.3 多源信息融合研究现状 | 第12-13页 |
| 1.3 论文的研究内容及结构安排 | 第13-15页 |
| 第二章 信息融合与云模型理论 | 第15-28页 |
| 2.1 引言 | 第15页 |
| 2.2 信息融合技术 | 第15-20页 |
| 2.2.1 基本概念 | 第15页 |
| 2.2.2 信息融合结构模型 | 第15-20页 |
| 2.3 云的基本概念 | 第20-22页 |
| 2.3.1 云的定义 | 第20-21页 |
| 2.3.2 云的数字特征 | 第21-22页 |
| 2.4 云发生器 | 第22-24页 |
| 2.4.1 标准云发生器 | 第22-24页 |
| 2.4.2 条件云发生器 | 第24页 |
| 2.4 云的概念提升 | 第24-26页 |
| 2.4.1 定性概念提取 | 第24-25页 |
| 2.4.2 概念提升 | 第25-26页 |
| 2.5 云模型的适用性 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 基于逆向云变换的混合推理网络 | 第28-37页 |
| 3.1 引言 | 第28页 |
| 3.2 基于逆向云变换的混合推理网络模型 | 第28-30页 |
| 3.2.1 逆向云发生器简介 | 第28-29页 |
| 3.2.2 混合推理神经元 | 第29页 |
| 3.2.3 混合推理神经网络 | 第29-30页 |
| 3.3 基于逆向云变换的混合推理网络算法 | 第30-32页 |
| 3.3.1 算法推导 | 第30-31页 |
| 3.3.2 学习步骤 | 第31-32页 |
| 3.4 基于遗传算法的混合推理网络算法 | 第32-34页 |
| 3.4.1 算法方案设计 | 第32-33页 |
| 3.4.2 算法实施步骤 | 第33-34页 |
| 3.5 对比实验 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 基于正向云变换的混合计算网络 | 第37-47页 |
| 4.1 引言 | 第37页 |
| 4.2 混合计算网络模型及算法 | 第37-39页 |
| 4.2.1 X 条件云发生器 | 第37页 |
| 4.2.2 网络模型 | 第37-39页 |
| 4.2.3 学习算法 | 第39页 |
| 4.3 基于云变异粒子群算法的网络训练 | 第39-44页 |
| 4.3.1 基本粒子群算法 | 第39-41页 |
| 4.3.2 基于云变异的粒子群算法 | 第41-43页 |
| 4.3.3 仿真实验 | 第43-44页 |
| 4.4 两种训练算法的对比 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 混合推理网络与混合计算网络的应用 | 第47-56页 |
| 5.1 引言 | 第47页 |
| 5.2 测井曲线的预处理 | 第47页 |
| 5.3 测井曲线的分层 | 第47-50页 |
| 5.4 基于混合计算网络的沉积微相判别 | 第50-54页 |
| 5.5 基于混合推理网络的水淹层判别 | 第54-55页 |
| 5.6 本章小结 | 第55-56页 |
| 总结 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 发表文章目录 | 第60-61页 |
| 致谢 | 第61-62页 |
| 详细摘要 | 第62-75页 |
