| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第13-39页 |
| 1.1 研究背景与意义 | 第13-15页 |
| 1.2 置信函数理论简介 | 第15-22页 |
| 1.2.1 证据的表示 | 第15-17页 |
| 1.2.2 证据的组合 | 第17-20页 |
| 1.2.3 证据在辨识框架上的运算 | 第20-21页 |
| 1.2.4 决策规则 | 第21-22页 |
| 1.3 不确定数据分类 | 第22-31页 |
| 1.3.1 数据分类问题描述 | 第22-23页 |
| 1.3.2 数据分类中的不确定性 | 第23-24页 |
| 1.3.3 基于k近邻的分类方法 | 第24-27页 |
| 1.3.4 基于规则的分类方法 | 第27-31页 |
| 1.4 不确定多属性决策融合 | 第31-36页 |
| 1.4.1 多属性决策融合问题描述 | 第32-33页 |
| 1.4.2 多属性决策融合中的不确定性 | 第33-34页 |
| 1.4.3 基于ER的多属性决策融合方法 | 第34-36页 |
| 1.5 本文的主要工作及章节安排 | 第36-39页 |
| 第二章 不精确数据证据剪辑k近邻分类 | 第39-51页 |
| 2.1 引言 | 第39-40页 |
| 2.2 证据剪辑k近邻(EEk NN)分类方法 | 第40-44页 |
| 2.2.1 证据剪辑算法 | 第40-42页 |
| 2.2.2 基于证据剪辑训练样本的分类 | 第42-44页 |
| 2.3 实验分析 | 第44-50页 |
| 2.3.1 组合规则评估 | 第44-45页 |
| 2.3.2 参数分析 | 第45-46页 |
| 2.3.3 仿真数据测试 | 第46-48页 |
| 2.3.4 标准数据集测试 | 第48-50页 |
| 2.4 本章小结 | 第50-51页 |
| 第三章 不完备数据多假设k近邻分类 | 第51-65页 |
| 3.1 引言 | 第51-52页 |
| 3.2 类条件加权(CCW)距离度量 | 第52-55页 |
| 3.2.1 定义 | 第52-53页 |
| 3.2.2 特征权重优化 | 第53-55页 |
| 3.3 多假设k近邻(MHk NN)分类方法 | 第55-59页 |
| 3.3.1 一般框架 | 第55-56页 |
| 3.3.2 置信函数框架下的实现 | 第56-59页 |
| 3.4 实验分析 | 第59-64页 |
| 3.4.1 仿真数据测试 | 第59-60页 |
| 3.4.2 标准数据集测试 | 第60-62页 |
| 3.4.3 与EEk NN方法的对比分析 | 第62-64页 |
| 3.5 本章小结 | 第64-65页 |
| 第四章 不可靠数据鲁棒置信规则分类 | 第65-87页 |
| 4.1 引言 | 第65-66页 |
| 4.2 置信规则分类系统(BRBCS) | 第66-73页 |
| 4.2.1 置信规则结构 | 第67-68页 |
| 4.2.2 基于数据驱动的置信规则库构建 | 第68-71页 |
| 4.2.3 置信推理方法 | 第71-73页 |
| 4.3 实验分析 | 第73-86页 |
| 4.3.1 实验设置 | 第74-75页 |
| 4.3.2 分类正确率评估 | 第75-78页 |
| 4.3.3 分类鲁棒性评估 | 第78-84页 |
| 4.3.4 时间复杂度分析 | 第84-86页 |
| 4.4 本章小结 | 第86-87页 |
| 第五章 考虑专家知识的复合置信规则分类 | 第87-103页 |
| 5.1 引言 | 第87-88页 |
| 5.2 复合置信规则分类系统(HBRBCS) | 第88-94页 |
| 5.2.1 基于知识驱动的置信规则库构建 | 第88-91页 |
| 5.2.2 复合置信规则库构建 | 第91-94页 |
| 5.3 基于不可靠训练数据与专家知识的多源目标识别 | 第94-102页 |
| 5.3.1 问题描述 | 第94页 |
| 5.3.2 目标识别复合置信规则库构建 | 第94-99页 |
| 5.3.3 对比分析 | 第99-100页 |
| 5.3.4 参数分析 | 第100-102页 |
| 5.4 本章小结 | 第102-103页 |
| 第六章 考虑可靠性与重要性的广义决策融合 | 第103-123页 |
| 6.1 引言 | 第103-104页 |
| 6.2 证据的可靠性与重要性 | 第104-107页 |
| 6.2.1 证据的可靠性 | 第104-105页 |
| 6.2.2 证据的重要性 | 第105-107页 |
| 6.3 ER不确定多属性决策融合算法分析 | 第107-113页 |
| 6.3.1 置信函数框架下的问题表示 | 第107-109页 |
| 6.3.2 基于证据可靠性的OER算法分析 | 第109-110页 |
| 6.3.3 基于证据重要性的MER算法分析 | 第110-112页 |
| 6.3.4 合成公理分析 | 第112-113页 |
| 6.4 综合考虑属性可靠性与重要性的广义ER算法 | 第113-115页 |
| 6.4.1 证据的可靠性-重要性折扣运算 | 第114页 |
| 6.4.2 广义ER算法 | 第114-115页 |
| 6.5 综合考虑属性可靠性与重要性的战略预警系统目标威胁评估 | 第115-122页 |
| 6.5.1 问题描述 | 第115-116页 |
| 6.5.2 属性评估量化及可靠度与重要度计算 | 第116-119页 |
| 6.5.3 仿真分析 | 第119-122页 |
| 6.6 本章小结 | 第122-123页 |
| 第七章 总结与展望 | 第123-127页 |
| 7.1 论文总结 | 第123-124页 |
| 7.2 研究展望 | 第124-127页 |
| 参考文献 | 第127-139页 |
| 作者博士期间的学术成果 | 第139-143页 |
| 作者博士期间参与的项目 | 第143-145页 |
| 致谢 | 第145-147页 |