| 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 研究背景及意义 | 第13-14页 |
| 1.3 报警根源分析的研究现状 | 第14-18页 |
| 1.3.1 基于模式匹配的方法 | 第14-15页 |
| 1.3.2 基于因果网络模型的方法 | 第15-18页 |
| 1.3.2.1 知识驱动的因果网络建模 | 第15-16页 |
| 1.3.2.2 数据驱动的因果网络建模 | 第16-18页 |
| 1.3.2.3 报警溯源分析机制 | 第18页 |
| 1.4 本论文主要研究内容 | 第18-19页 |
| 1.5 本论文体系结构 | 第19-21页 |
| 第二章 基于传递熵的贝叶斯网络评分函数 | 第21-35页 |
| 2.1 引言 | 第21-22页 |
| 2.2 贝叶斯网络基本原理及其发展 | 第22-26页 |
| 2.2.1 贝叶斯网络的构成 | 第22-23页 |
| 2.2.2 贝叶斯网络结构学习 | 第23-24页 |
| 2.2.3 贝叶斯网络评分函数 | 第24-26页 |
| 2.2.3.1 基于贝叶斯理论的评分函数 | 第24-25页 |
| 2.2.3.2 基于信息论的评分函数 | 第25-26页 |
| 2.3 传递熵基本原理及其发展 | 第26-27页 |
| 2.4 基于传递熵的贝叶斯网络评分函数 | 第27-30页 |
| 2.4.1 基于传递熵和贝叶斯网络结构的FTE | 第27-29页 |
| 2.4.2 FTET贝叶斯网络评分函数 | 第29-30页 |
| 2.5 实例研究 | 第30-33页 |
| 2.6 本章小结 | 第33-35页 |
| 第三章 基于FTET的复杂系统模块化贝叶斯网络结构学习 | 第35-63页 |
| 3.1 引言 | 第35-36页 |
| 3.2 系统模块化划分 | 第36-38页 |
| 3.2.1 系统的子模块划分 | 第36页 |
| 3.2.2 模型变量的选择 | 第36-38页 |
| 3.3 基于数据和过程知识的贝叶斯网络建模 | 第38-42页 |
| 3.3.1 基于FTET的贝叶斯网络结构学习 | 第38-39页 |
| 3.3.2 模型子模块的融合 | 第39-41页 |
| 3.3.3 基于FTET的模块化贝叶斯网络建模 | 第41-42页 |
| 3.4 实例研究 | 第42-61页 |
| 3.4.1 TE过程简介 | 第42-45页 |
| 3.4.2 TE过程贝叶斯网络结构学习 | 第45-61页 |
| 3.4.2.1 TE过程子模块划分 | 第46-47页 |
| 3.4.2.2 模型变量的选择 | 第47-51页 |
| 3.4.2.3 基于FTET的贝叶斯网络结构学习 | 第51-59页 |
| 3.4.2.4 模型子模块的融合 | 第59-61页 |
| 3.5 本章小结 | 第61-63页 |
| 第四章 基于贝叶斯网络的工业报警溯源分析 | 第63-71页 |
| 4.1 引言 | 第63页 |
| 4.2 基于贝叶斯网络推理的工业报警溯源分析 | 第63-67页 |
| 4.2.1 贝叶斯网络推理 | 第63-64页 |
| 4.2.2 基于贝叶斯网络推理的工业报警溯源分析 | 第64-67页 |
| 4.3 实例研究 | 第67-70页 |
| 4.3.1 网络参数学习 | 第67页 |
| 4.3.2 单个变量发生报警的报警溯源分析 | 第67-68页 |
| 4.3.3 多个变量发生报警的报警溯源分析 | 第68-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 总结 | 第71-72页 |
| 5.2 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 研究成果和发表的学术论文目录 | 第79-81页 |
| 作者和导师简介 | 第81-83页 |
| 附件 | 第83-84页 |