摘要 | 第4-5页 |
abstract | 第5页 |
注释表 | 第9-10页 |
缩略词 | 第10-11页 |
第一章 绪论 | 第11-19页 |
1.1 研究背景 | 第11-13页 |
1.2 研究意义 | 第13页 |
1.3 国内外研究现状 | 第13-17页 |
1.3.1 安全建模分析 | 第13-14页 |
1.3.2 组合原因分析 | 第14-15页 |
1.3.3 灵敏度分析 | 第15-16页 |
1.3.4 预警分析 | 第16-17页 |
1.4 论文主要思路与安排 | 第17-19页 |
第二章 基于贝叶斯网络的维修管理系统建模 | 第19-35页 |
2.1 贝叶斯网络 | 第19-23页 |
2.1.1 基本概念 | 第19-20页 |
2.1.2 贝叶斯网络学习 | 第20-22页 |
2.1.3 贝叶斯推理 | 第22-23页 |
2.2 维修管理系统结构模型构建 | 第23-26页 |
2.2.1 航空公司安全维修评价指标分析 | 第23-25页 |
2.2.2 航空公司安全维修评价模型 | 第25-26页 |
2.3 贝叶斯网络参数计算 | 第26-30页 |
2.3.0 区间数学和模糊评价方法 | 第26-28页 |
2.3.1 根节点概率 | 第28-30页 |
2.3.2 条件概率表 | 第30页 |
2.4 航空公司维修管理系统安全状况分析 | 第30-33页 |
2.4.1 环比分析 | 第31-32页 |
2.4.2 同比分析 | 第32页 |
2.4.3 基于贝叶斯推理的安全分析 | 第32-33页 |
2.5 本章小结 | 第33-35页 |
第三章 基于随机集贝叶斯网络的组合原因诊断 | 第35-43页 |
3.1 数据缩减 | 第35-36页 |
3.1.1 信息熵 | 第35页 |
3.1.2 贝叶斯网络节点缩减 | 第35-36页 |
3.2 基于随机集的组合原因分析方法 | 第36-38页 |
3.2.1 随机集基本概念 | 第36-37页 |
3.2.2 结合贝叶斯网络和随机集方法的组合原因分析方法 | 第37-38页 |
3.3 案例分析 | 第38-42页 |
3.3.1 正向推理 | 第38-41页 |
3.3.2 反向推理 | 第41-42页 |
3.4 本章小结 | 第42-43页 |
第四章 基于半监督贝叶斯神经网络的敏感性调控分析 | 第43-56页 |
4.1 半监督方法的贝叶斯神经网络 | 第43-46页 |
4.1.1 贝叶斯神经网络 | 第43-44页 |
4.1.2 半监督贝叶斯神经网络方法 | 第44-45页 |
4.1.3 训练过程 | 第45-46页 |
4.2 安全敏感性分析 | 第46-49页 |
4.2.1 方差分解法 | 第46-48页 |
4.2.2 结合神经网络的敏感性参数计算方法 | 第48-49页 |
4.3 算例分析 | 第49-55页 |
4.3.1 运行环境 | 第49页 |
4.3.2 指标选取 | 第49页 |
4.3.3 神经网络训练半监督学习 | 第49-51页 |
4.3.4 敏感性分析 | 第51-53页 |
4.3.5 敏感性调控 | 第53-55页 |
4.4 本章小结 | 第55-56页 |
第五章 基于深度信念网络的风险预警分析 | 第56-65页 |
5.1 深度信念网络 | 第56-59页 |
5.1.1 受限玻尔兹曼机 | 第56-57页 |
5.1.2 深度信念网络训练 | 第57-58页 |
5.1.3 半监督方法的数据扩展 | 第58-59页 |
5.2 航空维修模型深度信念网络训练 | 第59-63页 |
5.2.1 数据处理 | 第59-60页 |
5.2.2 网络训练及验证方法 | 第60页 |
5.2.3 深度信念网络参数 | 第60-61页 |
5.2.4 训练过程以及训练结果 | 第61-63页 |
5.3 实例分析 | 第63-64页 |
5.3.1 预警等级划分 | 第63-64页 |
5.3.2 实际数据预警分析 | 第64页 |
5.4 本章小结 | 第64-65页 |
第六章 总结与展望 | 第65-67页 |
6.1 总结 | 第65页 |
6.2 展望 | 第65-67页 |
参考文献 | 第67-71页 |
致谢 | 第71-72页 |
在学期间的研究成果及发表的学术论文 | 第72-73页 |
附录 DBN部分代码(MATLAB) | 第73-77页 |