| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.2.1 证据函数构造方法综述 | 第7-8页 |
| 1.2.2 条件证据综述 | 第8页 |
| 1.2.3 证据网络综述 | 第8-9页 |
| 1.3 论文的工作 | 第9页 |
| 1.4 论文大纲 | 第9-11页 |
| 第二章 基本相关知识 | 第11-21页 |
| 2.1 证据理论概念 | 第11-13页 |
| 2.1.1 D-S证据理论基本定义 | 第11-12页 |
| 2.1.2 在幂集上D-S融合规则 | 第12页 |
| 2.1.3 在超幂集上的DSmT融合规则 | 第12-13页 |
| 2.2 团树传播算法 | 第13-18页 |
| 2.2.1 团树的构造 | 第13-15页 |
| 2.2.2 团树传播算法流程 | 第15-18页 |
| 2.3 证据网络 | 第18-21页 |
| 2.3.1 以条件信度函数作为证据网络参数 | 第18-20页 |
| 2.3.2 证据网络的推理形式 | 第20-21页 |
| 第三章 基本信度分配函数的构造新方法及其应用 | 第21-27页 |
| 3.1 Logistic回归分类 | 第21-22页 |
| 3.1.1 两类Logistic回归分类法 | 第21页 |
| 3.1.2 多类Logistic回归分类法 | 第21-22页 |
| 3.2 权重BBA函数的构造及分类 | 第22-23页 |
| 3.2.1 权重BBA的构造 | 第22-23页 |
| 3.2.2 模型的分类步骤 | 第23页 |
| 3.3 模型应用在图像分类上 | 第23-26页 |
| 3.3.1 图像特征提取 | 第24-25页 |
| 3.3.2 实验与结果分析 | 第25-26页 |
| 3.4 小结 | 第26-27页 |
| 第四章 基于团树传播的证据网络推理算法 | 第27-36页 |
| 4.1 多维识别框架下的信度函数理论 | 第27-28页 |
| 4.2 证据网络的推理 | 第28-29页 |
| 4.3 团树传播算法 | 第29-30页 |
| 4.4 基于团树传播算法的证据网络推理模型 | 第30-33页 |
| 4.4.1 以联合信度作为团节点间参数的团树传播推理算法 | 第30-31页 |
| 4.4.2 混合DSmT融合规则的改进 | 第31-33页 |
| 4.5 实例分析 | 第33-35页 |
| 4.6 小结 | 第35-36页 |
| 第五章 总结与展望 | 第36-37页 |
| 5.1 总结 | 第36页 |
| 5.2 展望 | 第36-37页 |
| 参考文献 | 第37-42页 |
| 致谢 | 第42-43页 |
| 在读期间公开发表论文（著）及科研情况 | 第43页 |