汽车发动机故障诊断中不确定性问题的贝叶斯网络解法
| 独创性声明 | 第1-4页 |
| 摘要 | 第4-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-9页 |
| 第一章 引言 | 第9-14页 |
| ·问题提出 | 第9-12页 |
| ·本文章节安排 | 第12-14页 |
| 第二章 不确定性问题解法比较 | 第14-36页 |
| ·发动机故障诊断面临的不确定性问题 | 第14-17页 |
| ·不确定性信息及推理 | 第17-26页 |
| ·信息的不确定性 | 第17-20页 |
| ·不确定性推理 | 第20-22页 |
| ·解决不确定性问题常用方法 | 第22-23页 |
| ·不确定性算法比较 | 第23-24页 |
| ·不确定性推理发展 | 第24-26页 |
| ·信息融合技术 | 第26-34页 |
| ·融合的级别 | 第28-30页 |
| ·信息融合的主要方法 | 第30-32页 |
| ·主要应用领域及研究进展 | 第32-33页 |
| ·国内外研究进展 | 第33-34页 |
| ·本章小结 | 第34-36页 |
| 第三章 故障诊断融合模型 | 第36-54页 |
| ·故障诊断的融合体系结构 | 第36-42页 |
| ·并联融合结构和串联融合结构 | 第36-37页 |
| ·硬判定融合与软判定融合 | 第37-39页 |
| ·多层诊断融合结构 | 第39-42页 |
| ·故障诊断融合功能模型 | 第42-53页 |
| ·融合功能模型的形式化描述 | 第42-43页 |
| ·诊断融合模型 | 第43-53页 |
| ·本章小结 | 第53-54页 |
| 第四章 诊断模型的贝叶斯网络算法实现 | 第54-69页 |
| ·诊断融合系统的不确定性 | 第54-56页 |
| ·贝叶斯网络模型 | 第56-62页 |
| ·贝叶斯网络的提出 | 第56-57页 |
| ·贝叶斯网络的描述 | 第57-60页 |
| ·贝叶斯网络的研究课题及应用 | 第60-62页 |
| ·故障诊断功能模型的贝叶斯网络表示 | 第62-63页 |
| ·故障诊断的贝叶斯网络推理 | 第63-68页 |
| ·传统贝叶斯网络推理 | 第64-65页 |
| ·故障诊断的贝叶斯网络推理算法 | 第65-68页 |
| ·本章小结 | 第68-69页 |
| 第五章 故障诊断的贝叶斯网络学习 | 第69-88页 |
| ·贝叶斯网络学习 | 第69-84页 |
| ·故障诊断的贝叶斯网络结构在线学习 | 第70-76页 |
| ·在线式贝叶斯网络结构学习算法 | 第76-84页 |
| ·故障诊断的贝叶斯网络参数学习 | 第84-87页 |
| ·常用参数学习方法 | 第84-86页 |
| ·故障诊断参数学习方法 | 第86-87页 |
| ·本章小结 | 第87-88页 |
| 第六章 应用与评价 | 第88-108页 |
| ·发动机的基本原理 | 第88-94页 |
| ·故障诊断融合模型运行系统 | 第94-98页 |
| ·故障诊断融合模型的基本功能 | 第94-95页 |
| ·运行环境 | 第95-98页 |
| ·故障诊断融合系统的设计与实现 | 第98-100页 |
| ·诊断结果对照 | 第100-105页 |
| ·学习前贝叶斯网络诊断方法 | 第101-102页 |
| ·专家系统方法 | 第102-103页 |
| ·故障诊断融合方法 | 第103-104页 |
| ·单一故障诊断对比 | 第104-105页 |
| ·分析及评价 | 第105-106页 |
| ·本章小结 | 第106-108页 |
| 第七章 总结和展望 | 第108-111页 |
| ·论文总结 | 第108-109页 |
| ·有待深入研究的问题 | 第109-110页 |
| ·评审意见修改说明 | 第110-111页 |
| 参考文献 | 第111-118页 |
| 致谢 | 第118-119页 |
| 攻博期间主要工作及贡献 | 第119-122页 |
