| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第17-30页 |
| 1.1 课题背景及研究目的和意义 | 第17-18页 |
| 1.2 故障检测方法综述 | 第18-20页 |
| 1.3 数据驱动故障检测方法介绍 | 第20-22页 |
| 1.4 多属性决策问题研究现状 | 第22-26页 |
| 1.4.1 信息系统中MADM相关问题研究现状 | 第22-24页 |
| 1.4.2 决策系统中MADM相关问题研究现状 | 第24-26页 |
| 1.4.3 存在的问题及面临的挑战 | 第26页 |
| 1.5 本文研究内容及组织结构 | 第26-30页 |
| 1.5.1 本文主要研究内容 | 第26-28页 |
| 1.5.2 本文组织结构 | 第28-30页 |
| 第2章 卫星电源系统工作模式及其检测问题 | 第30-41页 |
| 2.1 引言 | 第30页 |
| 2.2 卫星电源系统基本构成 | 第30-32页 |
| 2.3 卫星电源系统的主要故障模式 | 第32-33页 |
| 2.3.1 太阳电池阵故障模式 | 第32页 |
| 2.3.2 蓄电池组故障模式 | 第32页 |
| 2.3.3 电源控制器故障模式 | 第32-33页 |
| 2.4 标签化多属性决策 | 第33-39页 |
| 2.4.1 标签化多属性决策基本理论 | 第33-35页 |
| 2.4.2 标签化多属性决策的目标 | 第35-36页 |
| 2.4.3 标签化多属性决策的本质及问题 | 第36-39页 |
| 2.5 本章小结 | 第39-41页 |
| 第3章 信息系统的知识获取 | 第41-63页 |
| 3.1 引言 | 第41页 |
| 3.2 邻域网格聚类 | 第41-47页 |
| 3.2.1 基本思想 | 第41-42页 |
| 3.2.2 基本理论 | 第42-44页 |
| 3.2.3 NGC算法 | 第44-46页 |
| 3.2.4 人工数据聚类实验 | 第46-47页 |
| 3.3 邻域密度网格聚类 | 第47-51页 |
| 3.3.1 基本思想和步骤 | 第48-49页 |
| 3.3.2 NDGC算法 | 第49-51页 |
| 3.3.3 人工数据聚类实验 | 第51页 |
| 3.4 基于聚类的多属性决策 | 第51-55页 |
| 3.4.1 信息系统规则提取 | 第52-54页 |
| 3.4.2 信息系统的决策制定 | 第54-55页 |
| 3.5 故障检测应用 | 第55-60页 |
| 3.5.1 聚类对比实验 | 第55-59页 |
| 3.5.2 检测实例 | 第59-60页 |
| 3.6 关于NGC/NDGC的讨论及稳健性分析 | 第60-62页 |
| 3.7 本章小结 | 第62-63页 |
| 第4章 基于统计思想的决策系统知识获取与决策制定 | 第63-99页 |
| 4.1 引言 | 第63页 |
| 4.2 数据分布特性的刻画 | 第63-67页 |
| 4.2.1 单一条件属性的数据分布特性刻画 | 第63-66页 |
| 4.2.2 数据分布特性刻画的扩展 | 第66-67页 |
| 4.3 模糊贝叶斯风险模型 | 第67-70页 |
| 4.3.1 模糊贝叶斯风险模型基础理论 | 第67-70页 |
| 4.3.2 FBR算法 | 第70页 |
| 4.4 基于FBR的属性子集选择 | 第70-75页 |
| 4.4.1 属性子集选择算法设计 | 第70-72页 |
| 4.4.2 数值实验数据集 | 第72-73页 |
| 4.4.3 FBR参数选择实验 | 第73页 |
| 4.4.4 属性子集选择对比实验 | 第73-75页 |
| 4.5 基于FBR的条件属性赋权 | 第75-81页 |
| 4.5.1 条件属性赋权 | 第75-76页 |
| 4.5.2 条件属性赋权的评价 | 第76-77页 |
| 4.5.3 赋权评价方法测试 | 第77-79页 |
| 4.5.4 赋权方法对比实验 | 第79-81页 |
| 4.6 基于FBR和T-S的标签化多属性决策 | 第81-90页 |
| 4.6.1 T-S模糊规则提取 | 第81-84页 |
| 4.6.2 基于FBR-TS的标签化多属性决策模型 | 第84-86页 |
| 4.6.3 T-S模糊模型规则个数测试 | 第86-87页 |
| 4.6.4 FBR-TS-LMADM软决策性能测试 | 第87-90页 |
| 4.7 故障检测应用 | 第90-98页 |
| 4.7.1 检测策略及属性子集选择对比验证 | 第90-95页 |
| 4.7.2 属性赋权对比验证 | 第95-97页 |
| 4.7.3 FBR-TS-LMADM的检测决策验证 | 第97-98页 |
| 4.8 本章小结 | 第98-99页 |
| 第5章 基于粗糙思想的决策系统知识获取 | 第99-122页 |
| 5.1 引言 | 第99页 |
| 5.2 粗糙近似空间的知识刻画 | 第99-102页 |
| 5.3 决策粗糙集及其参数确定问题 | 第102-109页 |
| 5.3.1 三支决策与决策粗糙集 | 第102-103页 |
| 5.3.2 决策粗糙集的参数确定 | 第103-107页 |
| 5.3.3 关于补偿系数的讨论 | 第107-109页 |
| 5.4 邻域单参数决策粗糙集 | 第109-114页 |
| 5.4.1 邻域单参数决策粗糙集基本理论 | 第109-111页 |
| 5.4.2 属性约简设计 | 第111-113页 |
| 5.4.3 属性赋权设计 | 第113-114页 |
| 5.5 数值实验 | 第114-121页 |
| 5.5.1 补偿系数选取试验 | 第114-115页 |
| 5.5.2 NSDTRS的属性约简对比实验 | 第115-118页 |
| 5.5.3 NSDTRS的属性赋权对比实验 | 第118页 |
| 5.5.4 故障检测应用 | 第118-121页 |
| 5.6 本章小结 | 第121-122页 |
| 第6章 知识的快速获取与自学习 | 第122-143页 |
| 6.1 引言 | 第122-123页 |
| 6.2 基于网格聚类的粗糙集模型 | 第123-128页 |
| 6.2.1 网格子空间聚类划分 | 第123-125页 |
| 6.2.2 网格子空间聚类算法 | 第125-126页 |
| 6.2.3 网格聚类粗糙集 | 第126页 |
| 6.2.4 基于网格聚类粗糙集的快速属性约简 | 第126-128页 |
| 6.3 粗糙自学习 | 第128-130页 |
| 6.3.1 粗糙自学习理论 | 第128-130页 |
| 6.3.2 基于GCRS模型的粗糙自学习 | 第130页 |
| 6.4 数值实验 | 第130-140页 |
| 6.4.1 实验设定 | 第130-131页 |
| 6.4.2 参数选取实验 | 第131-132页 |
| 6.4.3 聚类方法选取对比实验 | 第132-134页 |
| 6.4.4 属性约简对比实验 | 第134-135页 |
| 6.4.5 属性约简速度对比实验 | 第135-137页 |
| 6.4.6 粗糙自学习实验验证 | 第137-140页 |
| 6.5 数据驱动故障检测流程 | 第140-142页 |
| 6.6 本章小结 | 第142-143页 |
| 结论 | 第143-145页 |
| 参考文献 | 第145-158页 |
| 攻读博士学位期间发表的论文及其他成果 | 第158-161页 |
| 致谢 | 第161-162页 |
| 个人简历 | 第162页 |
