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 |