| 中文摘要 | 第1-8页 |
| 英文摘要 | 第8-15页 |
| 第一章 绪论 | 第15-25页 |
| §1．1 人工智能的发展概况 | 第15-17页 |
| §1．2 不确定性推理 | 第17-21页 |
| §1．2．1 模糊逻辑与模糊推理 | 第18-19页 |
| §1．2．2 概率推理 | 第19-20页 |
| §1．2．3 Dempster-Shafer（D-S）证据方法 | 第20-21页 |
| §1．2．4 粗集理论 | 第21页 |
| §1．3 数据挖掘 | 第21-23页 |
| §1．4 本文的结构安排 | 第23-25页 |
| 第二章 带概率因子的模糊推理系统 | 第25-37页 |
| §2．1 关于模糊if-then规则 | 第25-27页 |
| §2．2 从数据集中提取模糊规则 | 第27-29页 |
| §2．3 带概率因子的模糊推理系统是一个通用逼近器 | 第29-34页 |
| §2．4 在时间序列预测中的应用 | 第34-37页 |
| §2．4．1 时间序列预测 | 第34-35页 |
| §2．4．2 比较实验 | 第35-37页 |
| 第三章 利用模糊概率辨识模糊系统 | 第37-69页 |
| §3．1 Bayesian信念网络 | 第37-39页 |
| §3．2 模糊Naive Bayes网络 | 第39-48页 |
| §3．2．1 模糊Naive Bayes网络 | 第40-42页 |
| §3．2．2 基于模糊c-均值（FCM）的模糊Naive Bayes分类器 | 第42-45页 |
| §3．2．3 实验研究 | 第45-48页 |
| §3．3 模糊Naive Bayes分类器的学习问题 | 第48-53页 |
| §3．3．1 训练数据集的Log模糊似然度函数 | 第48-50页 |
| §3．3．2 参数学习 | 第50-51页 |
| §3．3．3 学习机制 | 第51-52页 |
| §3．3．4 实验研究 | 第52-53页 |
| §3．4 应用模糊Naive Bayes网络和实值编码遗传算法辨识模糊推理系统 | 第53-62页 |
| §3．4．1 带概率因子的模糊推理系统 | 第53-55页 |
| §3．4．2 实值编码的遗传算法 | 第55-57页 |
| §3．4．3 实验研究 | 第57-62页 |
| §3．5 基于模糊Naive Bayes网络的带权重的模糊分类系统的辨识问题 | 第62-69页 |
| §3．5．1 带权重的模糊分类规则 | 第63-65页 |
| §3．5．2 带权重的模糊分类系统的辨识问题 | 第65-67页 |
| §3．5．3 实验研究 | 第67-69页 |
| 第四章 基于模糊Dempster-Shafer理论的模糊模型 | 第69-87页 |
| §4．1 模糊Dempset-Shafer证据理论 | 第70-72页 |
| §4．2 基于模糊Dempster-Shafer信念结构的模糊系统 | 第72-78页 |
| §4．2．1 基于模糊信念结构的模糊模型的推理过程 | 第73-74页 |
| §4．2．2 一个简化的基于模糊信念结构的模糊模型 | 第74-76页 |
| §4．2．3 模糊信念结构的学习问题 | 第76-77页 |
| §4．2．4 实验研究 | 第77-78页 |
| §4．3 一种新的基于模糊信念结构模糊模型的信念传播 | 第78-87页 |
| §4．3．1 推理过程和信念传播 | 第80-81页 |
| §4．3．2 信念传播的分析和化简 | 第81-85页 |
| §4．3．3 仿真实验 | 第85-87页 |
| 第五章 基于先验知识的证据合成理论 | 第87-105页 |
| §5．1 关于先验知识 | 第87-90页 |
| §5．2 随机集理论和条件事件代数概述 | 第90-93页 |
| §5．2．1 随机集理论 | 第90-91页 |
| §5．2．2 条件事件代数 | 第91-93页 |
| §5．3 随机条件事件 | 第93-94页 |
| §5．3．1 随机条件事件 | 第93-94页 |
| §5．4 基于先验知识的证据合成 | 第94-103页 |
| §5．4．1 基于先验知识的证据合成方法的代数定义 | 第95-98页 |
| §5．4．2 基于先验知识的证据合成的概率基础 | 第98-103页 |
| §5．5 举例 | 第103-105页 |
| 第六章 基于模糊先验知识的证据合成理论 | 第105-129页 |
| §6．1 有限层（finite-level）模糊集上的D-S理论 | 第105-117页 |
| §6．1．1 有限层模糊集 | 第105-106页 |
| §6．1．2 模糊D-S理论的基本概念 | 第106-108页 |
| §6．1．3 可加性 | 第108-111页 |
| §6．1．4 用于计算信念函数和似然函数的线性优化问题 | 第111-115页 |
| §6．1．5 模糊Mbius变换 | 第115-117页 |
| §6．2 随机模糊条件事件 | 第117-119页 |
| §6．2．1 随机模糊集理论 | 第117-118页 |
| §6．2．2 随机模糊条件事件 | 第118-119页 |
| §6．3 基于模糊先验知识的证据合成 | 第119-127页 |
| §6．3．1 基于模糊先验知识的证据合成方法的代数定义 | 第119-122页 |
| §6．3．2 基于模糊先验知识的证据合成的概率基础 | 第122-127页 |
| §6．4 举例 | 第127-129页 |
| 第七章 不完全数据的信念结构的知识表示和学习 | 第129-141页 |
| §7．1 不完全数据的表示 | 第129-131页 |
| §7．2 用于分类的广义信息系统 | 第131-134页 |
| §7．2．1 树结构表示 | 第131-132页 |
| §7．2．2 不完全性信息的似然推理 | 第132-133页 |
| §7．2．3 不完全性信息的信念推理 | 第133-134页 |
| §7．3 不完全性信息的似然推理和信念推理的概率基础 | 第134-135页 |
| §7．4 具有完备知识的证据合成 | 第135-136页 |
| §7．5 实验仿真 | 第136-141页 |
| 第八章 总结与展望 | 第141-145页 |
| §8．1 总结 | 第141-142页 |
| §8．2 展望 | 第142-145页 |
| 致谢 | 第145-146页 |
| 参考文献 | 第146-154页 |
| 附录 读博士期间的论文发表情况与科研情况 | 第154-155页 |
