基于模式本体和机器学习的信息物理系统建模与优化
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景与意义 | 第15-18页 |
| 1.2 相关研究 | 第18-20页 |
| 1.2.1 信息物理系统建模相关研究 | 第18-19页 |
| 1.2.2 机器学习方法在系统优化中的应用 | 第19-20页 |
| 1.3 本文研究内容 | 第20-21页 |
| 1.4 本文组织结构 | 第21-23页 |
| 第二章 预备知识 | 第23-29页 |
| 2.1 随机混成自动机与统计模型检测 | 第23-25页 |
| 2.2 本体理论 | 第25-26页 |
| 2.3 支持向量机 | 第26页 |
| 2.4 帕累托优化 | 第26-29页 |
| 第三章 基于模式本体的信息物理系统建模与评估 | 第29-41页 |
| 3.1 模式本体的构建 | 第29-36页 |
| 3.1.1 上层模式本体的构建 | 第30-32页 |
| 3.1.2 领域模式本体的构建 | 第32-33页 |
| 3.1.3 Protege中的本体表示 | 第33-36页 |
| 3.2 基于模式本体的系统建模 | 第36-38页 |
| 3.3 基于UPPAAL-SMC的系统量化评估 | 第38-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 不确定用户行为下资源调度策略选择 | 第41-51页 |
| 4.1 问题分析 | 第41-42页 |
| 4.2 基于分类的调度策略选择框架 | 第42-43页 |
| 4.3 分类模型的建立与评估 | 第43-48页 |
| 4.3.1 原始数据的收集 | 第44-46页 |
| 4.3.2 样本集的获取 | 第46页 |
| 4.3.3 分类模型的训练及评估 | 第46-48页 |
| 4.4 分类模型的应用 | 第48-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 参数配置多目标优化 | 第51-59页 |
| 5.1 问题分析 | 第51-52页 |
| 5.2 基于回归和帕累托的优化方法 | 第52-55页 |
| 5.3 参数配置多目标优化过程 | 第55-58页 |
| 5.3.1 参数选取及参数实例生成 | 第55-56页 |
| 5.3.2 参数实例取样及评估 | 第56-57页 |
| 5.3.3 回归模型的训练及预测 | 第57-58页 |
| 5.3.4 帕累托优化 | 第58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 案例研究 | 第59-83页 |
| 6.1 基于模式本体的智能建筑系统建模 | 第59-68页 |
| 6.1.1 智能建筑领域模式本体的构建 | 第59-62页 |
| 6.1.2 基于模式本体的智能建筑系统建模 | 第62-68页 |
| 6.2 智能建筑系统调度策略选择 | 第68-75页 |
| 6.3 智能建筑系统参数配置多目标优化 | 第75-81页 |
| 6.4 本章小结 | 第81-83页 |
| 第七章 总结与展望 | 第83-85页 |
| 7.1 总结 | 第83-84页 |
| 7.2 展望 | 第84-85页 |
| 参考文献 | 第85-91页 |
| 致谢 | 第91-93页 |
| 攻读硕士学位期间发表论文和科研情况 | 第93页 |
