| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-14页 |
| 1.1 课题研究背景 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文主要研究内容 | 第12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第二章 置信规则库推理方法与集成学习介绍 | 第14-23页 |
| 2.1 引言 | 第14页 |
| 2.2 置信规则库推理方法及参数训练模型 | 第14-20页 |
| 2.2.1 BRB的表示 | 第14-15页 |
| 2.2.2 RIMER推理方法 | 第15-18页 |
| 2.2.3 BRB参数训练模型 | 第18-20页 |
| 2.4 集成学习的主要算法介绍 | 第20-22页 |
| 2.4.1 Bagging算法 | 第20-21页 |
| 2.4.2 Boosting算法 | 第21-22页 |
| 2.5 本章结语 | 第22-23页 |
| 第三章 基于加速梯度求法的BRB参数训练方法 | 第23-35页 |
| 3.1 引言 | 第23页 |
| 3.2 置信规则库新优化模型 | 第23-24页 |
| 3.3 基于加速梯度求法的参数训练 | 第24-29页 |
| 3.3.1 梯度下降法及其负梯度加速求法 | 第24-26页 |
| 3.3.2 AGDA参数学习算法 | 第26-28页 |
| 3.3.3 算法收敛性分析 | 第28-29页 |
| 3.4 实验结果与分析 | 第29-34页 |
| 3.4.1 Himmelblau多峰函数中的参数训练 | 第29-32页 |
| 3.4.2 输油管道检漏中的参数训练 | 第32-34页 |
| 3.5 本章结语 | 第34-35页 |
| 第四章 基于GDA的置信规则库参数训练的集成学习 | 第35-48页 |
| 4.1 引言 | 第35页 |
| 4.2 置信规则库系统的集成学习 | 第35-39页 |
| 4.2.1 置信规则库的Bagging集成学习方法 | 第36-37页 |
| 4.2.3 置信规则库的AdaBoost集成学习方法 | 第37-39页 |
| 4.3 实验结果与分析 | 第39-47页 |
| 4.3.1 输油管道检漏 | 第40-43页 |
| 4.3.2 多峰函数拟合 | 第43-47页 |
| 4.4 本章结语 | 第47-48页 |
| 第五章 基于PAES多目标优化的置信规则库分类系统的选择性集成学习 | 第48-65页 |
| 5.1 引言 | 第48页 |
| 5.2 选择性集成学习 | 第48-56页 |
| 5.2.1 选择性集成学习的概念 | 第48-51页 |
| 5.2.2 多目标优化 | 第51-56页 |
| 5.3 置信规则库分类系统的选择性集成学习 | 第56-61页 |
| 5.3.1 置信规则库分类系统的构建方式及训练方法 | 第56-58页 |
| 5.3.2 基于PAES多目标优化的BRBCS的选择性集成学习 | 第58-61页 |
| 5.4 实验结果与分析 | 第61-64页 |
| 5.5 本章结语 | 第64-65页 |
| 结论与展望 | 第65-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 附录A | 第73-75页 |
| 个人简历 | 第75-76页 |
| 在学期间的研究成果以及发表的学术论文 | 第76页 |
