首页--数理科学和化学论文--概率论与数理统计论文--数理统计论文--贝叶斯统计论文

基于贝叶斯统计分析的多模态间歇过程模态识别方法研究

学位论文数据集第3-4页
摘要第4-6页
ABSTRACT第6-8页
第一章 绪论第13-21页
    1.1 引言第13页
    1.2 间歇过程特性概述第13-14页
    1.3 间歇过程模态识别方法研究现状第14-18页
        1.3.1 硬划分方法研究现状第15-16页
        1.3.2 软划分方法研究现状第16-18页
    1.4 课题的研究意义与主要研究内容第18-21页
        1.4.1 课题的研究意义第18页
        1.4.2 课题的主要研究内容第18-21页
第二章 贝叶斯统计分析第21-27页
    2.1 引言第21页
    2.2 贝叶斯统计分析第21-23页
        2.2.1 贝叶斯统计推断第21-22页
        2.2.2 贝叶斯网络第22-23页
    2.3 贝叶斯决策分类第23-24页
        2.3.1 最小错误率准则第23-24页
        2.3.2 最小风险准则第24页
    2.4 贝叶斯网络分类器第24-26页
    2.5 小结第26-27页
第三章 基于贝叶斯统计分析的多模态间歇过程模态识别方法研究第27-39页
    3.1 引言第27页
    3.2 基于贝叶斯统计分析的间歇过程模态识别方法第27-33页
        3.2.1 间歇过程数据预处理第27-28页
        3.2.2 基于FCM的间歇过程模态粗划分第28-30页
        3.2.3 基于贝叶斯统计分析的间歇过程模态识别方法第30-33页
    3.3 实验结果与分析第33-37页
        3.3.1 青霉素发酵过程实验结果与分析第33-36页
        3.3.2 对比实验第36-37页
    3.4 小结第37-39页
第四章 基于D-S证据理论的多模态间歇过程测量数据异常检测方法研究第39-47页
    4.1 引言第39页
    4.2 D-S证据理论第39-41页
        4.2.1 Dempster-Shafer证据理论第39-40页
        4.2.2 证据的合成法则及其性质第40-41页
    4.3 基于D-S融合的间歇过程测量数据异常检测方法第41-42页
        4.3.1 基于统计量的多证据构造与修正第41页
        4.3.2 基于D-S证据融合的间歇过程测量数据异常检测方法实现第41-42页
    4.4 实验结果与分析第42-46页
    4.5 小结第46-47页
第五章 结论和展望第47-49页
    5.1 结论第47页
    5.2 展望第47-49页
参考文献第49-53页
致谢第53-55页
研究成果及发表的学术论文第55-57页
作者及导师简介第57-59页
附件第59-60页

论文共60页,点击 下载论文
上一篇:多模糊软集与广义犹豫模糊软集及其在决策上的应用
下一篇:时标上边界条件带有谱参数的Sturm-Liouville问题的有限谱