| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-9页 |
| 1 引言 | 第9-17页 |
| 1．1 研究背景 | 第9-13页 |
| 1．1．1 人工智能中的不确定性问题及推理 | 第9-11页 |
| 1．1．2 复杂系统的故障诊断 | 第11-12页 |
| 1．1．3 因果图理论用于故障诊断 | 第12-13页 |
| 1．2 研究目标 | 第13-14页 |
| 1．3 论文总览 | 第14-17页 |
| 2 不确定性推理及信度网理论 | 第17-31页 |
| 2．0． 引言 | 第17页 |
| 2．1 不确定性问题 | 第17-20页 |
| 2．1．1 基本概念 | 第17-18页 |
| 2．1．2 基本问题 | 第18-19页 |
| 2．1．3 不确定性推理的一般过程 | 第19-20页 |
| 2．2 不确定性推理方法 | 第20-22页 |
| 2．2．1 概率推理 | 第21-22页 |
| 2．3 信度网理论 | 第22-29页 |
| 2．3．1 信度网模型 | 第22-25页 |
| 2．3．2 信度网知识表达与因果语义 | 第25-26页 |
| 2．3．3 信度网推理 | 第26-28页 |
| 2．3．4 信度网理论的局限性 | 第28-29页 |
| 2．4 小结 | 第29-31页 |
| 3 动态因果图知识表达与推理 | 第31-53页 |
| 3．0． 引言 | 第31页 |
| 3．1 因果图知识表达 | 第31-35页 |
| 3．1．1 因果图模型 | 第31-33页 |
| 3．1．2 因果树 | 第33页 |
| 3．1．3 因果图相对于信度网在知识表达方式上的优势 | 第33-35页 |
| 3．2 单值因果图推理算法 | 第35-42页 |
| 3．2．1 常规推理算法 | 第35-37页 |
| 3．2．2 单值因果图推理的一种新方法 | 第37-42页 |
| 3．3 多值因果图推理 | 第42-51页 |
| 3．3．1 多值因果图推理算法 | 第43-51页 |
| 3．4 小结 | 第51-53页 |
| 4 动态因果图理论应用于故障诊断 | 第53-71页 |
| 4．0． 引言 | 第53页 |
| 4．1 故障诊断原理与方法 | 第53-60页 |
| 4．1．1 系统与故障 | 第53-54页 |
| 4．1．2 故障诊断原理与方法 | 第54-59页 |
| 4．1．3 复杂系统的故障诊断方法 | 第59-60页 |
| 4．2 因果图理论用于故障诊断 | 第60-64页 |
| 4．2．1 故障影响传播图 | 第61-62页 |
| 4．2．2 故障模式的求取 | 第62-64页 |
| 4．2．3 故障模式条件概率的计算 | 第64页 |
| 4．3 关于因果图智能故障诊断平台 | 第64-70页 |
| 4．3．1 功能子系统 | 第65-66页 |
| 4．3．2 推理机系统结构 | 第66页 |
| 4．3．3 系统I/O界面 | 第66-70页 |
| 4．4 小结 | 第70-71页 |
| 5 因果图理论用于船舶拖轮舵桨装置控制系统的故障诊断 | 第71-81页 |
| 5．1 方案选择问题 | 第71-72页 |
| 5．2 对象系统概述 | 第72-76页 |
| 5．3 舵桨装置控制系统的故障诊断 | 第76-80页 |
| 5．4 小结 | 第80-81页 |
| 6 总结 | 第81-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-88页 |