| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第6-14页 |
| 1.1 研究背景与意义 | 第6-7页 |
| 1.2 国内外研究现状 | 第7-10页 |
| 1.2.1 智慧车间研究现状 | 第7-9页 |
| 1.2.2 多源数据融合研究现状 | 第9-10页 |
| 1.3 主要研究内容及组织架构 | 第10-12页 |
| 1.3.1 主要研究内容 | 第10-11页 |
| 1.3.2 论文组织架构 | 第11-12页 |
| 1.3.3 论文研究技术路线 | 第12页 |
| 1.4 论文创新点 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第2章 离散制造智慧车间数据特点与融合分析 | 第14-26页 |
| 2.1 离散制造智慧车间数据特点 | 第14-17页 |
| 2.1.1 智慧车间 | 第14页 |
| 2.1.2 离散制造智慧车间数据特点分析 | 第14-17页 |
| 2.2 数据融合 | 第17-23页 |
| 2.2.1 数据融合模型 | 第18-20页 |
| 2.2.2 常见数据融合方法 | 第20-23页 |
| 2.3 离散制造智慧车间数据融合分析 | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 基于云模型和证据理论的多源数据融合 | 第26-40页 |
| 3.1 相关知识介绍 | 第26-30页 |
| 3.1.1 证据理论 | 第26-27页 |
| 3.1.2 证据理论的不足 | 第27-28页 |
| 3.1.3 云模型 | 第28-30页 |
| 3.2 基于云模型的异构数据描述 | 第30-35页 |
| 3.2.1 云模型参数求取 | 第31-33页 |
| 3.2.2 隶属度值求取 | 第33-34页 |
| 3.2.3 基本概率赋值（BPA） | 第34-35页 |
| 3.3 数据融合判定规则 | 第35页 |
| 3.4 实验验证与分析 | 第35-37页 |
| 3.5 本章小结 | 第37-40页 |
| 第4章 基于聚类处理的车间海量数据融合研究 | 第40-56页 |
| 4.1 数据聚类 | 第40-45页 |
| 4.1.1 数据聚类及相关概念 | 第40-41页 |
| 4.1.2 数据聚类分类 | 第41-43页 |
| 4.1.3 数据聚类距离函数 | 第43-45页 |
| 4.2 基于k-means的车间海量数据聚类处理 | 第45-47页 |
| 4.2.1 基于k-means的车间海量数据聚类流程 | 第46-47页 |
| 4.3 车间海量数据融合 | 第47-49页 |
| 4.3.1 车间海量数据融合步骤 | 第47-49页 |
| 4.3.2 算法分析 | 第49页 |
| 4.4 仿真实验 | 第49-53页 |
| 4.5 本章小结 | 第53-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 论文工作总结 | 第56页 |
| 5.2 未来研究展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 附录 | 第64-67页 |