一、基于粗集知识推理的IDSS中的知识表示（论文文献综述）
朱金达[1]（2017）在《面向方案设计的产品全生命周期知识驱动关键技术研究》文中进行了进一步梳理产品设计是制造业的灵魂,《中国制造2025》明确要求要以促进制造业创新发展为主题,以提质增效为中心,以信息技术与制造业深度融合为主线,实现制造业由大变强的历史跨越。而方案设计作为产品设计中最为关键的环节,决定了设计开展的方向和产品性能、质量等诸多因素。随着产品结构、功能复杂程度不断增加,方案设计的周期和难度也不断增加,难以适应激烈的市场竞争所提出的需求响应快速化的要求。知识作为“知识经济”时代的基础,业已成为企业的核心竞争力,为现代产品设计提供了重要了智力资源,从某种程度上说,现代产品设计是一个知识驱动的创造性过程。借助产品全生命周期各阶段所包含的大量知识,来代替固有设计经验,能够缩短设计时间、提高设计效率和方案的合理性、快速响应市场需求。而当前对于产品设计所需知识的获取、组织、传递和运用能力,仍停留在较低的水平,这也是制约产品方案设计和产品创新的瓶颈。为此提出“面向方案设计的产品全生命周期知识驱动关键技术”的课题,一方面力求实现企业分散的智力资源的有效整合,另一方面努力提高企业的产品设计效率和创新能力。具体研究内容如下:（1）面向方案设计的产品全生命周期知识驱动体系框架。以公理化设计理论为指导,定义了方案设计中的需求域、广义功能域、方案域,拓展了原有设计域的内涵,提出了基于复式质量屋的用户需求向广义技术特性和方案特征的映射和转化方法,相比传统质量屋,降低了关联矩阵的复杂度。给出了产品生命周期知识的定义,阐述了基于产品全生命周期知识的方案设计的内涵,建立了面向方案设计的产品生命周期知识驱动体系框架,讨论了全生命周期知识驱动的关键技术。（2）面向工程数据和经验的知识获取方法研究。确定了产品方案设计要求与知识间复杂映射关系,给出了给出了产品方案知识的获取技术框架,提出了面向产品生命周期各阶段工程数据和专家隐性经验相结合的知识联合获取方法,根据获取知识源的不同,分为显性数据挖掘和隐性知识获取两个方面。面向显示数据,提出了基于不可分辨和优势关系粗糙集的分层获取策略。面向专家隐性知识,提出了基于问题情境的三阶段法隐性知识获取方法。研究了规则分裂、合并、关联等获取知识的再加工技术,确定了知识可靠性的评价指标,对获取的知识进行可靠性分析。（3）产品方案知识的多维度表示模型研究。分析了产品方案知识的内容和表达需求,建立了产品方案知识的多维度表示模型。广度维,从知识来源视角出发,提出基于知识元链接的广度维知识融合方法,将设计下游的制造、运行、维护等产品生命周期各阶段的知识融合到方案设计中,以规避设计隐患。粒度维,从知识的组织层次和细化粒度视角出发,基于驱动过程将产品方案知识划分为决策层知识、推理层知识和对象层知识等三种表示粒度,并基于面向对象的思想构建了树结构、表结构、有向图关联等三种知识表示方式。深度维,从知识类型出发,提出基于本体和知识组件的表示方法,通过知识本体建模、知识组件封装、本体与知识组件的映射等技术从知识重用的角度对知识表示方法进行了研究。（4）面向快速设计的层级递进驱动策略研究。针对由案例库和需求多样性的增加引起的案例检索效率不高和案例修改繁琐的问题,提出一种面向快速设计的PLK层级递进驱动策略,即索引驱动——模版驱动——导航驱动,以实现产品方案的快速检索、修改和重用。索引驱动采用SOM聚类进行快速检索,模版驱动通过相似匹配模版进行计算选择出推荐的相似方案,导航驱动以导航控制模型为核心,对相似方案中的差异进行快速的调整,实现了由用户需求到产品方案的快速检索、修改重用的一体化快速设计。研究了产品方案的单元配置设计,基于黑箱法与IDEF0相结合建立了产品方案空间的驱动单元配置表达模型。（5）方案设计平台开发和应用案例研究。在上述理论研究的基础上,以大型环保装备袋式除尘器为应用对象,设计开发了袋式除尘器全生命周期知识驱动方案设计平台。该平台提供了产品方案快速设计、方案管理和知识管理等功能,不仅摆脱了对设计人员的过度依赖,而且通过产品方案设计范例及数值模拟验证表明提高了方案设计效率和产品综合性能。
卓莹[2]（2010）在《基于拓扑·流量挖掘的网络态势感知技术研究》文中研究表明网络态势感知是指在大规模网络环境中,对能够引起网络态势发生变化的要素进行获取、理解、评估、显示以及对未来发展趋势的预测。作为网络管理发展的必然方向,网络态势感知能够融合多源多属性信息,对由各种网络设备运行状况、网络行为以及用户行为等因素所构成的整个网络的当前状态和变化趋势进行评估和预测,并提供决策支持。有关网络态势感知的研究才刚刚起步,主要集中在安全领域,没有体现态势宏观性和整体性的特点;采用的方法以层次结构、权重分析为主,缺少理论依据;而且多数研究停留在数据层面上,没有上升到态势的高度,没有实现从数据到信息再到知识的抽象。针对网络态势感知中的典型问题与共性需求,深入研究了关键技术以及应用部署的发展现状,提出了基于拓扑·流量挖掘的网络态势感知模型,重点研究了面向态势模式划分的网络数据流聚类算法、基于粗集分析的态势评估方法以及基于广义回归神经网络的态势预测方法,并在此基础上设计实现了一个原型系统。主要贡献包括以下几个方面:深入分析了流量分析的不足以及数据挖掘的优势,在此基础上提出了基于拓扑·流量挖掘的网络态势感知模型——TTM（TopologyTrafficMining）模型。TTM模型明确了网络态势感知的功能以及功能的划分与组织,定义了数据结构和功能函数,并且给出了建模过程和感知过程。TTM模型突破了安全态势的局限,以网络流量数据和拓扑数据作为态势感知的数据来源,综合考虑各种影响网络态势的因素作为态势因子建立指标体系,以流量挖掘和拓扑推理为基本思想,提供更高层次、更加抽象的综合态势,实现对网络全局态势的评估与展现,充分体现了态势整体性和宏观性的特点。此外,TTM模型引入数据挖掘的思想,具备获取知识、揭示规律的能力,既能够全面揭示网络中存在的各种异常事件,又有理论支持,科学客观。针对态势模式划分缺少先验知识的现状,确定聚类作为流量挖掘的手段。在分析现有聚类算法和流量数据特点的基础上,提出了面向态势模式划分的网络数据流聚类算法——NetStream。算法在数据空间网格划分和态势因子选择的基础上,进行全空间聚类,通过合并相连密集网格形成簇;然后对不满足密度阈值的簇采用自顶向下的策略、兼顾密度与维度双重标准进行子空间聚类,搜索最优投影簇;并且通过Chernoff界判断概念漂移,采用双窗调整策略自适应调整窗口大小和更新间隔,增量更新聚类结果。NetStream是一种高速子空间聚类算法,能够处理高维、混合属性、带有突发特性的网络数据,并且满足一遍扫描、顺序访问、有限内存、可扩展、易理解、噪声不敏感等多种要求;更重要的是,自顶向下策略充分利用网络突发性在数据分布上产生的特点,能够发现不同维度的不同子空间中的投影簇,实现快速子空间聚类;而基于Chernoff界的概念漂移检测能够发现网络突发行为,结合跳动窗口双窗调整增量更新策略,实现数据流在线聚类及动态维护。针对态势评估不够科学客观的现状,提出了基于粗集分析的态势评估方法——RSSA（Situation Assessment based on Rough Set Analysis）。RSSA在态势模式划分的基础上,通过粗集分析自动生成网元态势评估规则;进一步考虑态势模式发生的频率以及时序变化规律,制定评估规则调整策略;同时以容量理论为依据,综合分析网元的拓扑贡献和传输能力,确定网元的权值;最后融合各个网元的态势及权重,完成全网态势评估。RSSA一方面借助粗集分析,将知识的表达、学习和分析纳入统一的框架之中,兼具表达、学习与分类能力,能够从模式中发现隐含知识、揭示潜在规律并转化为逻辑规则,而且无须任何先验信息,科学客观。另一方面通过图论分析综合考虑网络拓扑结构、网元传输能力对全网态势的影响,融合拓扑数据和流量数据,真正实现全局视角的网络态势评估。针对非线性系统预测的问题,将态势预测看作时间序列进行分析,提出了基于广义回归神经网络的态势预测方法——GRNNSF（Situation Forecast based onGeneralized Regression Neural Network）。GRNNSF根据历史数据训练广义回归神经网络,自适应选择网络参数,建立预测模型,并且随数据的到达动态更新预测模型。GRNNSF学习速度快,预测精度高,非线性映射能力强,同时具有结构自适应确定、输出与初始权值无关等特点,在逼近能力、分类能力和学习速度上较反向传播网络和径向基网络有着较强的优势,并且在样本数据缺乏时,预测效果也比较好。基于上述关键技术的研究,设计并实现了网络态势管理原型系统（NetworkSituation Management System, NSMS）。原型系统集成了拓扑发现和流量采集两大单元网管功能,提出了多视图、超体积态势可视化方案MVHV（multi-view,hypervolume）,实现了网络数据流聚类算法NetStream、态势评估方法RSSA以及态势预测方法GRNNSF,验证了网络态势感知模型TTM。本文是对网络态势感知的一次有益探索,研究成果对于促进综合网络态势管理具有良好的理论价值和实践意义。本文所作工作已在承研的预研课题和实际工程项目中得到了应用。
代荣[3]（2009）在《基于软计算的摩托车智能设计关键技术研究》文中研究表明我国是摩托车生产大国,研发摩托车智能设计系统,对于提高摩托车生产率、降低摩托车生产成本、提升我国摩托车的国际竞争力具有重要的实用价值和战略意义。在摩托车的设计过程中,不仅需要大量的领域知识,而且需要很强的求解问题的技巧。将智能设计技术引入到产品设计中,既有利于提高设计自动化与智能化的水平,又有利于提高产品质量、降低成本、缩短产品开发周期。因此本文结合人工智能技术探讨并构建基于知识的摩托车智能设计系统,围绕智能设计的若干关键技术进行分析研究,并将这些技术应用到摩托车的智能化设计中。论文主要采用知识工程技术建立知识库系统,实现基于知识的摩托车参数化建模,为有限元分析提供模型,在结构分析基础上,引入软计算理论与方法中的遗传算法实现摩托车结构参数的全局优化。运用神经网络技术从试验数据中获取隐式知识,实现对知识的联想、推理等高效运用,同时运用粗集理论对经验性知识进行约简,从而找出对决策信息具有重要影响的属性,以及隐含在试验结果中的专家级设计知识。结合以上技术,构建了摩托车智能设计系统,从而为摩托车的方案设计、性能分析提供有效的工具。论文研究的主要内容如下:1)根据摩托车现有的研究成果,以及摩托车智能设计系统功能模型,详细分析了智能系统的总体设计思想。在此基础上,提出了摩托车智能设计系统的体系结构,将其分为知识库系统、CAD、CAE及软计算四大模块,从而实现设计方案的选择、参数化建模、方案的仿真验证分析、性能优化及知识获取等。2)针对摩托车领域知识的多样性、复杂性,提出了集成符号主义与连接主义的知识模型,同时采用了以面向对象为主的混合知识表示方法构建知识库系统及集成多种推理方法的知识应用机制,从而实现对知识的高效运用。3)针对知识库系统产生的设计方案,为建立基于知识的摩托车自动化设计系统,运用功能结构建模方法,采用基于特征的参数化建模技术,使用面向对象的编程方法,开发基于SolidWorks的摩托车车架参数化设计系统,实现摩托车的自动化设计。4)在有限元结构分析基础之上,针对其它优化设计需要求导,容易陷入局部寻优的情况,采用了软计算理论与方法中的不依赖于求导的全局寻优的遗传算法,对摩托车整车结构参数实现了全局寻优。5)为了减少性能试验研究成本,同时有效地获取隐含在试验数据（或数值计算数据）中的隐式知识,引入了软计算理论与方法中的神经网络方法。通过对神经网络反复训练,利用反映输入与输出模式对的内在规律的连接权建立了试验条件与结果的非线性方程。根据基于神经网络的非线性方程,系统可对新的设计条件作出快速的响应。同时将知识表达在网络的连接权与阀值中,实现了对知识联想、推理的高效运用。6)为了克服神经网络对存储在其连接权与阀值中的知识难以进行描述,对其推理过程难以理解等缺点,提出了采用软计算理论与方法中的粗集理论方法从实验测试结果中识别和提取出潜在的知识,揭示出蕴涵在这些数据背后的内在规律。通过基于粗集理论的属性约简与值约简,在简化决策表的同时,找出对决策信息具有重要影响的属性,获得专家级的领域知识,从而为神经网络的推理过程作出解释,为开发设计人员提供决策支持。
王媛媛[4]（2008）在《智能决策支持系统中基于粗糙集的知识推理》文中进行了进一步梳理智能决策支持系统已成为众多学科领域的研究热点,特别是伴随人工智能的发展,不断有新的理论和方法用于智能决策支持系统的实现。在智能决策支持系统中的知识表达的基础上,讨论根据粗糙集理论分析海量信息中的有用特征,通过分析、推理产生最小决策规则集。
丁国勤[5]（2008）在《军队油料保障指挥决策模型研究》文中指出未来信息化战争油料保障的精确性、高时效性对我军传统的油料保障指挥决策模式提出了挑战,纵观我军油料保障理论的研究,主要还是以定性研究为主,定量研究还处于起步阶段,能否实现以定性研究为主的油料保障理论到信息化油料保障的跨越,提高油料保障的精确性和时效性,做好当前我军“反台独”军事斗争油料准备,油料保障指挥决策模型化的研究就成为目前我军油料保障迫切需要研究的重要问题。油料保障指挥决策模型研究以油料保障活动为研究对象,以建立定量化的决策模型为主要目的,是实现油料保障指挥决策信息化重要的理论基础,也是当前油料保障领域有待深化和拓展的应用性研究课题,在军事上,具有重要的现实意义和理论意义。为了较为完整地反映油料保障指挥决策模型化的研究过程,论文紧密结合部队作战油料保障流程,主要研究了五个方面的问题:①油料保障需求预测优化模型研究“精确保障”是未来信息化战争对油料保障的要求,目前我军传统的“超量预储”的方式已经不适应未来信息化作战的“精确保障”要求。因此,精确预测部队油料需求,是提高油料保障能力的关键。论文根据战时作战部队油料消耗可能出现的三种主要情况,分析了每种情况下部队作战油料消耗特点,分别建立了有针对性的灰色预测模型、神经网络预测模型和基于向量夹角余弦的组合预测模型,并对模型进行了实证研究,验证了模型的有效性。②油料布局优化模型研究科学合理的油料布局,可以缩短油料调运的时间,提高油料保障时效,可以产生显着的军事效益。论文结合我军油料布局现状,以未来反台独作战为背景,针对战时油料布局主要问题的优化决策建立了军队油库站布局优化模型、油料储备布局优化模型和油库站选址优化决策模型,并进行了实际运用。③油料调拨运输优化模型研究油料调拨运输,是战时将油料的筹措、储存、供应、补给等油料保障活动融为一体的纽带。作为油料保障的一个极为重要的环节,对油料保障系统整体保障能力的形成与释放具有重大影响。部队战时油料调运主要强调其军事效益,与地方油料供应以经济效益为主有着本质区别,论文结合战时部队油料调运的特点,根据战时油料调运可能出现的情况,首先对传统确定性油料调拨模型进行了改进,建立了战时油料调运的模糊规划模型,并基于遗传算法进行了实现。其次,根据战时可能出现的单个油库担负一体化油料保障的情况,建立了单个油库有限量油车运输模型。最后,基于战时油料运输路径随时可能遭敌破坏的情况,建立了调运路径优化模型。建立的模型都进行了相应的实证研究。④战略支援油料保障优化模型研究针对未来可能发生的反台独作战背景,论文分析了我军东南沿海油料保障现状,发现战时,很可能会出现一线和二线油库不能满足部队作战油料的需求,这时必然要实施战略略支援。为有效提高战时战略支援油料保障能力,实现保障有力的目标,论文根据战时战略支援油料保障的两种决策情况,分别建立军队后方基地战略支援优化决策模型和地方油料保障资源战略支援优化模型,并进行了具体运用。⑤油料保障指挥决策系统研究鉴于未来信息化战争对油料保障指挥决策系统的需求,基于Multi-agent的自治性和协调性等特点,论文将Multi-agent技术引入到军队油料保障指挥系统,能够动态地协调海、陆、空及其他诸军兵种的油料保障,满足未来信息化战争油料保障一体化的要求,Multi-agent技术在军队油料保障指挥决策领域有着重要的应用价值。论文首先基于agent理论,将需求预测优化模型、油料布局优化模型、调拨运输优化模型、战略支援油料保障优化模型进行agent封装,然后基于multi-agent理论,建立了油料保障指挥决策系统的框架体系,为油料保障指挥决策系统研究提供了具体思路。论文主要创新点体现在三个方面:①在油料保障理论体系上有所创新。信息化条件下,对油料保障指挥的精确性提出了更高的要求,而我军缺乏信息化战争油料保障的成功经验,论文率先系统提出部队作战油料保障模型化研究,对提高我军未来信息化战争油料保障的精确性具有重要的军事意义。军事上,作战决定后勤,论文根据目前我军反台独军事斗争准备的战略方针,设计了反台独作战油料保障指挥链,对油料保障指挥链的主要活动建立了相应优化模型,最后根据未来信息化战争油料保障一体化的需求,基于multi-agent理论,给出了油料保障指挥决策系统开发和设计的具体思路,实现了油料保障理论体系的创新。②油料调拨运输,是战时油料保障指挥链最重要的环节,调拨运输的成败关系到整个油料保障系统保障力的释放。论文分析了战时油料调拨运输的特点,立足于军事上强调军事效益优先,经济效益其次的目标,首先基于战时油料调拨运输的模糊性和动态性,对传统的油料调运模型进行了改进,建立油料调运的模糊规划模型,并给出了基于遗传算法的求解思路。其次,基于战时可能出现的单个油库有限量运油车保障部队油料需求的情况,建立相应的模型,进行了遗传算法设计。最后,基于战时油料运输的特点,明确了油料运输路径评价的指标体系,建立了基于模糊三角数的油料运输路径优化模型,和传统的评价方法相比,该模型更能体现油料保障指挥首长的意图,贴近实战需求。③未来信息化油料保障一体化的需求,使得我军传统油料保障指挥决策系统“孤岛式”和“烟囱式”研究模式遇到了瓶颈问题:1)因系统由不同的程序员在不同操作系统及网络环境下、用各种语言在不同时间开发,其接口各不相同,致使软件之间协同作业困难,集成困难;2)由于战争形势发展的不可预测性,使得军队油料保障问题变得极为复杂,如油源的选择、保障环境的动态与不确定性等,因此,需要设计一个适应作战环境的油料保障指挥决策系统模型。论文基于agent的自主性和multi-agent的协调性等特点,将建立的油料需求模型、油料布局优化模型、油料调运模型、战略支援油料保障模型封装为单个agent模型,设计了基于multi-agent的油料保障指挥决策系统框架体系,建立了基于Multi-agent的油料保障问题求解过程,并进行了基于Multi-agent的油料保障指挥系统建模,为油料保障指挥智能决策系统的开发开辟了新的思路。
童一飞[6]（2007）在《网格环境下的工艺准备资源管理研究》文中指出随着现代企业环境向复杂化、分散化、动态化、知识化方向的发展,网络化制造、虚拟制造、敏捷制造、全球制造等先进制造模式相继出现,并在制造业领域发挥着不同程度的作用,为推动制造业信息化做出了巨大的贡献。由于网格技术的特点与提供的新功能能够极好地吻合网络化制造系统的需求,将网格技术引入网络化制造,构建支持全球资源共享与协作的网格制造系统,具有重要的理论价值和现实意义。本论文主要研究了基于网格框架的工艺准备系统体系结构（PPSG）及其资源管理技术,主要包括如下几方面:1)首先介绍了课题组研究的早期成果—数字化敏捷工艺准备系统（DAPPS）的总体结构、功能规划与系统特色;在分析了DAPPS实施过程中的问题后,研究了网格技术在工艺准备系统中应用的需求分析;提出了基于网格框架的工艺准备系统（PPSG）,给出了PPSG基于OGSA的六层体系结构;研究了PPSG的应用流程,在此基础上分析了PPSG系统实施中资源管理的重要性及其关键技术。2)研究了网格工艺准备资源的查找与定位算法。研究了网格环境下工艺准备资源的分类与描述;提出了一种基于资源聚类的分级网格资源发现方法:在分析了工艺准备网格的小世界特性后引入小世界概念,按照资源的类别构造资源虚拟组织,并基于属性对资源进行动态聚类——根据网格QoS需求提出以复合λ值模糊聚类树为基础,资源簇内聚合度和资源簇间分离度为目标的资源聚类优化的数学模型;运用并行GA进行优化,建立了适合资源聚类模型的并行GA操作流程;同时针经典遗传算法存在的“早熟”不足,设计了一种新颖的矩阵交叉方法,并以应用实例证明了该聚类方法的高效性。最后,按照资源簇中心优先、逐级扩散的查找策略在资源覆盖网内实现资源的查找与定位。3)研究了基于信息公理与粗集理论的网格资源QoS优选。结合网格环境与工艺准备资源的特点,给出了5种QoS度量的概念及其量化定义。提出了基于信息公理与粗集理论的资源模糊优选模型:利用公理设计论中的信息公理将模糊数学与香农信息论相结合对网格资源进行定量评价,以信息熵（信息含量）对资源作出评价;最后,引入粗集理论中的依赖度,利用条件属性类对决策属性类的依赖度来代替常规的权重确定方法。4)研究了基于QoS的网格工艺准备资源经济调度。分析了网格资源管理体系结构的特点及基于经济模型进行资源管理的优点;研究了基于经济模式的网格工艺准备资源分配模型,将资源分配问题分为确定各类资源的均衡价格、根据资源价格及各自策略实现有效的资源分配与调度两个子问题;提出了基于QoS的网格工艺准备资源调度模型与算法,基于经济学原理研究了网格资源价格与需求的动态调整与确定,从而使得资源请求者与资源拥有者的效用最大化。5)研究了基于资源预测的网格工艺准备资源预留机制。提出了在资源预留请求时考虑资源性能与任务时间特性的预测,建立了预测任务起始时间与持续时间的预测系统模型。提出了一种改进的残差GM（1,1）模型进行资源性能的预测;同时基于资源性能的预测,结合知识推理,研究了任务时间特性的预测。最后,提出了基于预测的工艺准备资源预留、接纳与响应控制算法,提高网格系统的服务质量。6)初步研究了基于STEP AP214的工艺特征提取以及PPSG系统实施的安全机制。在上述研究的基础上,开发了基于网格框架的工艺准备资源管理系统。本文最后介绍了该原型系统的实现环境及实现方法。
吴陈[7]（2007）在《粒和粗集研究及与证据理论相结合在不完备数据处理中的应用》文中进行了进一步梳理本文以相容关系的最大相容类为基础,建立了meet、ioin等多个粒的新扩展粗集模型,定义了新的上下近似集、精度等,探讨了它们之间的相互关系,设计了粒和近似集的求解算法。研究了改进变精度限制容差关系粗集模型及规则挖掘,提出了不完备信息系统下属性依赖及依赖度等概念,给出了依赖度的新计算公式。讨论了容差关系即相容关系与冲突关系、完全覆盖与一般覆盖之间的关系以及各自的性质,得到了判断一般覆盖为完全覆盖若干必要充分条件的定理,设计了3个无冲突集合划分算法,为求最优的集合划分提供了有价值的参考。提出了弱协调性和受限默认确定性决策规则等概念,探讨了利用区分矩阵和区分函数优化受限默认确定性决策规则的条件。丰富了决策规则形式的多样性。研究了容差关系下属性移动时近似集的更新公式,提出了默认确定性决策规则包括受限默认确定规则的增量学习方法。利用粒概念下的不同近似集按优势关系的分解,实现了文档查询扩充,增强了信息检索的灵活性。探讨了粒、粗集理论和D-S证据理论相结合在不完备数据融合系统中的目标识别方法,建立了多个mass函数、信任度和似然度以及规则合成公式,为确定置信区间提供了选择自由度。分析了本文所设计算法的时间复杂度。通过实例,验证了诸研究的有效性和可行性。
杨振刚[8]（2007）在《CBR ANN智能决策支持方法及应用》文中研究表明利用基于案例推理和人工神经网络等人工智能方法解决系统决策问题是智能决策支持系统领域重要的研究方向。本文提出研究CBR-ANN（Case-based Reasoning-Artificial Neural Network）智能决策支持方法,一方面从CBR与ANN集成理论的角度去发展人工智能方法,另一方面从智能决策支持系统（IDSS）的角度去探索解决工程决策问题特别是农业领域决策问题的新方法。本文首先分析IBL（Instance-based Learning）、CBR与ANN之间的联系,讨论了CBR与ANN的集成模型及其集成研究方向。基于ANN模型及CBR方法的设计特点,提出了涵盖“形态空间-表示模式”、“集成方法选型”以及“模型与算法”的CBR-ANN集成方法的设计框架,以指导CBR-ANN模型的设计工作。同时提出了一个IDSS设计框架,认为IDSS设计的四项主要任务为:“问题分析与表达”、“方法分析与设计”、“系统分析与规划”和“系统设计”。接着提出了一种CBR-ANN智能决策支持系统的一般结构,阐述了其各个组成部分的原理。分析了特征向量表示法、类别-案例表示法、动态存储表示法等案例表示法的特点,提出CBR-ANN过程模型为CR4模型,认为对于案例库构建,要分析和定义问题可能类型上的相似关系,探寻问题可能类型到方案可能类型的映射关系,分析相似类、进行案例库划分以及进行案例库优化。本文探讨了CBR-ANN智能决策模型中适用的知识表示方法,分析了属性相似性测度和常用的案例相似性测度,且设计了实验方法分析比较几种典型的案例相似性测度的性能。对于系统案例检索,本文为案例数量巨大的案例检索任务提出了一种基于优势案例的案例索引机制及其检索方法,以帮助检索程序快速定位目标案例的相似案例集,提高案例的检索效率。同时对两种适于案例分类、检索的竞争神经网络（Adaptive Resonance Theory和Self-organizing Maps）的原理进行了深入探讨。基于产生式表示法,本文提出了系统推理器的设计思路和推理过程框架。基于知识的高维案例的推理也可利用神经网络的并行计算能力来实现,本文重点讨论了贝叶斯推理。同时对基于案例推理的决策方法作了深入的理论探讨。然后,基于目标案例信息和用户历史请求信息提出了系统推荐方法,且认为案例保留的评价方法与推理的回想特性值相关,并据此提出了有效的系统案例保留与学习策略。最后,结合国家的方针政策以及作者的在研课题,本文提出将CBR-ANN决策支持模型与方法应用到农作物病害防治智能决策支持技术中,并以具体的黄瓜病害防治决策支持为切入点,探索CBR与ANN集成应用的新方法。基于CFW（黄瓜枯萎病）防治案例库的特点,本文分析了案例分类与案例检索效率的关系,确定了最优案例分类区间,利用交叉验证方法分析系统推理有效性,并基于推理有效性研究分析最优案例相异阈值范围。在应用CBR-ANN智能决策支持模型与方法时,采用ART-Kohonen神经网络（ART-KNN）模型进行集成研究,执行案例分类识别任务,并对其分类正确率以及案例方案中某些属性的预测进行了分析。通过进一步的实例测试与分析,验证了系统推理的有效性。本文较为系统地研究和建立了CBR-ANN智能决策支持模型与方法,且在作物病害防治的决策支持上进行了应用,这对于拓展CBR-ANN集成模型和智能决策支持方法的研究有较好的理论意义和应用价值。毫无疑问,CBR-ANN智能决策支持方法这个重要的研究领域将会不断得到丰富与发展,从而促进人工智能技术与决策支持方法对现实问题的解决。
韩业红[9]（2007）在《基于粗集理论的专家系统中知识的获取、更新与推理》文中研究指明在人工智能和知识工程的研究应用系统的开发中,专家系统是一个极为活跃的分支领域,其在许多领域中都有成功的应用。随着发展的深入和要求的提高,有关知识获取以及如何处理知识的不确定性等问题逐渐显现出来。粗集理论是1982年由波兰数学家Z.Pawlak教授提出来的,它是一种处理不完整、不确定信息的新型数学工具。由于粗集理论是利用数据集上的等价关系对知识的不确定程度进行度量,而无需提供所需处理的数据集合之外的任何先验信息,这样就避免了对知识的主观评价所带来的误差。所以用粗集理论来处理专家系统中的不确定知识的获取,更新与推理具有十分广泛的应用前景。本文所做的主要工作有给出了一个基于粗集理论的专家系统的基本模型结构,并对模型中的知识获取机制、知识更新机制以及知识推理机制进行了详细的研究。在知识的获取中,主要介绍了几种传统的知识获取算法,为改进这些算法的缺点,给出了几种知识获取的改进算法;在知识的更新机制中,提出了一种新的增量式学习算法,并且对减量式学习的情况进行了讨论;在知识的推理中,简单介绍了几种常用的不确定推理的方法,对其进行改进,给出一种含主观因素的不确定性推理方法,并对不完备知识的推理进行了讨论。本文的主要创新点在于:（1）对传统专家系统的模型结构进行了改进,给出了一个基于粗集理论的专家系统的基本模型结构（如图1.3.1）。（2）对传统的属性约简算法进行了改进,在约简过程中加入了对权重系数和主观因素的考虑。（3）扩展了传统规则约简定义方法,该方法可用于不一致规则的约简。给出一个基于Apriori性质和支持度的规则约简算法。（4）当向决策表中增加新例子时,相应的极小决策规则集也会发生相应的变化,本文根据新例子与原极小决策规则集之间的关系,对新例子所有可能的情况进行了划分,并在该划分的基础上给出一个新的增量式学习算法。（5）对于从知识库中删除例子后相应极小决策规则集的变化情况进行了研究。（6）在知识的推理中,加入了对新对象中各属性重要性的主观因素的考虑,给出了一种含主观因素的不确定性推理方法。（7）在不完备知识的推理中,对传统新对象匹配集的概念进行了扩展,并在该基础上,研究了不完备知识推理的方法。本文对于一些传统的知识获取、更新及推理算法进行了改进,但在某些方面还存在一些缺点。例如:本文所给的知识获取算法效率仍然较低,且存在较大误差;在知识的简单性和完整性的权衡问题上缺少一个有效的评价标准;改进后的增量式学习算法虽然大大减少了重新计算的必要性,但当增加新例子后导致属性约简变化时,该算法的时间复杂度较传统算法略有增加;在含主观因素的不确定推理中主、客观因素所占的比重是由用户决定的,如何更客观地决定推理中主客观因素的比重,这些问题都还有待于进一步的研究。
冯玉强,王洪利,曹慕昆[10]（2006）在《基于云模型的智能决策支持系统》文中进行了进一步梳理为了增加对较复杂决策问题的支持能力,研究了基于云模型的利用“数据仓库-数据挖掘-知识库”结合体系的智能决策支持系统．首先给出了基于云模型的数据仓库粒度设计的过程,以及对属性进行基于云模型的划分和汇总的描述;然后给出了基于云模型的知识库中知识的不确定表示,以及基于云模型的数据挖掘方法;最后给出了基于云模型的智能决策支持系统的体系结构．基于云模型的智能决策支持具有更大客观性,增强了系统的决策支持能力．
二、基于粗集知识推理的IDSS中的知识表示（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于粗集知识推理的IDSS中的知识表示（论文提纲范文）
（1）面向方案设计的产品全生命周期知识驱动关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 产品方案设计研究现状 |
| 1.2.2 产品全生命周期设计研究现状 |
| 1.2.3 知识驱动研究现状 |
| 1.2.3.1 知识获取研究现状 |
| 1.2.3.2 知识表示研究现状 |
| 1.2.3.3 知识推理研究现状 |
| 1.3 研究现状分析及科学问题的提出 |
| 1.3.1 研究现状分析 |
| 1.3.2 问题的提出 |
| 1.4 论文主要研究内容及结构安排 |
| 第二章 面向方案设计的全生命周期知识驱动体系框架 |
| 2.1 引言 |
| 2.2 面向产品全生命周期的方案设计描述 |
| 2.3 基于复式质量屋的用户需求映射 |
| 2.3.1 用户需求的确定及分析 |
| 2.3.2 基于复式质量屋的用户需求映射 |
| 2.4 基于产品生命周期知识的方案设计 |
| 2.4.1 产品生命周期知识 |
| 2.4.2 基于PLK的方案设计 |
| 2.5 面向方案设计的PLK驱动体系框架 |
| 2.6 PLK驱动关键技术 |
| 2.7 本章小结 |
| 第三章 面向工程数据和经验的知识获取方法研究 |
| 3.1 引言 |
| 3.2 产品方案知识需求分析及获取框架 |
| 3.3 基于粗糙集的显性数据挖掘 |
| 3.3.1 粗糙集理论概述 |
| 3.3.2 基于不可分辨和优势关系粗糙集的分层获取策略 |
| 3.3.3 基于不可分辨和优势关系粗糙集的方案知识获取流程 |
| 3.3.4 获取实例研究 |
| 3.4 基于问题情境的隐性经验获取 |
| 3.4.1 隐性知识影响因素分析 |
| 3.4.2 基于三阶段法的隐性知识获取 |
| 3.5 获取知识的再加工及可靠性分析 |
| 3.5.1 获取知识的再加工 |
| 3.5.2 获取知识的可靠性分析 |
| 3.6 本章小结 |
| 第四章 产品方案知识的多维度表达模型 |
| 4.1 引言 |
| 4.2 产品方案设计知识及多维度表达模型 |
| 4.2.1 产品方案知识的表示需求 |
| 4.2.2 产品方案知识的多维度表达模型 |
| 4.3 基于知识元的广度维知识表示 |
| 4.3.1 广度维知识描述 |
| 4.3.2 基于知识元的广度维知识融合 |
| 4.4 基于驱动过程划分的粒度维知识表示 |
| 4.4.1 粒度维知识描述及分层表示模型 |
| 4.4.2 粒度维知识统一管理 |
| 4.5 基于本体和知识组件的深度维知识表示 |
| 4.5.1 本体定义及知识本体建模 |
| 4.5.2 基于知识组件的封装 |
| 4.5.2.1 知识组件的结构 |
| 4.5.2.2 知识组件的封装 |
| 4.5.2.3 本体与知识组件的映射 |
| 4.6 本章小结 |
| 第五章 面向快速设计的PLK层级递进驱动策略 |
| 5.1 引言 |
| 5.2 基于PLK约束网络实例库的建立 |
| 5.3 面向快速设计的层级递进驱动策略 |
| 5.3.1 传统CBR和RBR推理方法中的不足 |
| 5.3.2 层级递进驱动策略 |
| 5.3.3 索引驱动 |
| 5.3.4 模版驱动 |
| 5.3.4.1 相似匹配模版 |
| 5.3.4.2 相似度计算 |
| 5.3.5 导航驱动 |
| 5.4 产品方案的单元配置设计 |
| 5.4.1 产品方案设计内容 |
| 5.4.2 驱动单元配置 |
| 5.5 研究实例 |
| 5.6 本章小结 |
| 第六章 基于PLK的应用案例研究 |
| 6.1 引言 |
| 6.2 案例应用背景 |
| 6.2.1 袋式除尘器产品简介 |
| 6.2.2 企业需求 |
| 6.3 基于PLK的袋式除尘器方案设计 |
| 6.3.1 除尘器方案设计中的问题及原因分析 |
| 6.3.2 除尘器方案设计中的知识需求分析 |
| 6.3.3 袋式除尘器全生命周期知识获取 |
| 6.3.4 基于PLK的方案设计与经验设计的对比 |
| 6.3.5 袋式除尘器知识驱动方案设计平台的构建 |
| 6.3.5.1 平台架构 |
| 6.3.5.2 开发及运行环境 |
| 6.3.5.3 平台的功能模块 |
| 6.3.6 应用案例 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究总结 |
| 7.2 论文创新点 |
| 7.3 展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
（2）基于拓扑·流量挖掘的网络态势感知技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 网络态势感知简介 |
| 1.1.1 研究背景 |
| 1.1.2 研究框架 |
| 1.1.3 研究历程 |
| 1.2 国内外研究现状 |
| 1.2.1 Tim Bass的研究 |
| 1.2.2 安全态势感知 |
| 1.2.3 传输态势感知 |
| 1.2.4 生存性态势感知 |
| 1.2.5 CSA系统性能评价 |
| 1.3 研究特点和存在问题 |
| 1.4 课题来源 |
| 1.5 论文工作及创新点 |
| 1.6 论文组织结构 |
| 第二章 网络态势感知相关技术 |
| 2.1 研究内容 |
| 2.1.1 CSA模型 |
| 2.1.2 知识表示 |
| 2.1.3 评估方法 |
| 2.2 基于数学模型的方法 |
| 2.2.1 公式法 |
| 2.2.2 权重分析法 |
| 2.2.3 集对分析法 |
| 2.3 基于知识推理的方法 |
| 2.3.1 基于产生式规则的逻辑推理 |
| 2.3.2 基于图模型的推理 |
| 2.3.3 基于证据理论的概率推理 |
| 2.4 基于模式识别的方法 |
| 2.4.1 灰关联分析 |
| 2.4.2 粗集理论 |
| 2.4.3 聚类分析 |
| 2.5 评估方法比较 |
| 2.6 本章小结 |
| 第三章 网络态势感知模型研究 |
| 3.1 TTM：基于拓扑·流量挖掘的网络态势感知模型 |
| 3.1.1 TTM基本思想 |
| 3.1.2 TTM模型框架 |
| 3.1.3 TTM数据结构 |
| 3.1.4 TTM建模过程 |
| 3.1.5 TTM感知过程 |
| 3.2 TTM网络态势指标体系 |
| 3.2.1 问题描述 |
| 3.2.2 基于流量分析的指标体系 |
| 3.3 TTM态势因子选择方法 |
| 3.3.1 问题描述 |
| 3.3.2 特征选择函数简介 |
| 3.3.3 互信息MI与信息增益IG 的等价性 |
| 3.3.4 基于MI和IG 等价性的态势因子选择 |
| 3.4 本章小结 |
| 第四章 网络流量数据挖掘技术研究 |
| 4.1 基于聚类的流量挖掘 |
| 4.1.1 需求分析 |
| 4.1.2 聚类算法研究进展 |
| 4.1.3 网络数据流聚类 |
| 4.2 NetStream：面向态势模式划分的网络数据流聚类算法 |
| 4.2.1 问题描述 |
| 4.2.2 基本思想 |
| 4.2.3 算法描述 |
| 4.3 NetStream算法描述与分析 |
| 4.3.1 数据空间划分Discretization |
| 4.3.2 全空间聚类算法FullSpace |
| 4.3.3 子空间聚类算法SubSpace |
| 4.3.4 概念漂移双窗调整算法Adjust2Drift |
| 4.3.5 增量更新算法Increment |
| 4.4 实验结果与分析 |
| 4.4.1 划分效果 |
| 4.4.2 时间复杂性 |
| 4.4.3 聚类准确性 |
| 4.4.4 参数敏感性 |
| 4.4.5 子空间聚类优化效果 |
| 4.4.6 态势因子选择的效果 |
| 4.4.7 维度可扩展性 |
| 4.4.8 算法比较 |
| 4.4.9 网络突发性的影响 |
| 4.4.10 概念漂移双窗调整效果 |
| 4.4.11 增量聚类效果 |
| 4.5 本章小结 |
| 第五章 网络态势评估与预测技术研究 |
| 5.1 RSSA：基于粗集分析的网络态势评估 |
| 5.1.1 研究背景 |
| 5.1.2 基于粗集的网元评估规则设计 |
| 5.1.3 策略制定与专家分析确认 |
| 5.1.4 基于容量网络理论的网元权重分析 |
| 5.2 GRNNSF：基于广义回归神经网络的态势预测 |
| 5.2.1 问题描述 |
| 5.2.2 研究背景与GRNN简介 |
| 5.2.3 GRNN设计 |
| 5.2.4 预测方法 |
| 5.3 实验结果与分析 |
| 5.3.1 RSSA的效果与分析 |
| 5.3.2 GRNNSF的效果与分析 |
| 5.4 本章小结 |
| 第六章 NSMS原型系统的设计与实现 |
| 6.1 NSMS总体设计 |
| 6.1.1 NSMS体系结构 |
| 6.1.2 态势管理中心逻辑结构 |
| 6.1.3 网络管理平台逻辑结构 |
| 6.1.4 NSMS物理结构 |
| 6.2 MVHV态势可视化方案 |
| 6.2.1 网络视图 |
| 6.2.2 运行视图 |
| 6.2.3 态势视图 |
| 6.3 NSMS原型系统应用 |
| 6.3.1 测试环境硬件配置 |
| 6.3.2 测试环境软件部署 |
| 6.3.3 执行流程 |
| 6.3.4 运行效果 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 本文主要工作总结 |
| 7.2 未来研究趋势展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 攻读博士学位期间参与的科研工作和获奖情况 |
（3）基于软计算的摩托车智能设计关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 问题的提出 |
| 1.2 国内外研究现状 |
| 1.2.1 摩托车研究现状 |
| 1.2.2 智能设计研究现状 |
| 1.3 本文研究的技术背景 |
| 1.3.1 知识工程定义 |
| 1.3.2 知识工程核心内容 |
| 1.3.3 软计算方法理论 |
| 1.3.4 MSC.Patran/Nastran 有限元分析软件 |
| 1.4 本文研究的意义及主要内容 |
| 2 摩托车智能设计系统体系结构 |
| 2.1 引言 |
| 2.2 摩托车智能设计系统功能模型 |
| 2.2.1 摩托车部件功能 |
| 2.2.2 功能建模方法 |
| 2.2.3 系统功能模型 |
| 2.3 摩托车智能设计系统的体系结构 |
| 2.3.1 智能设计系统的总体设计思想 |
| 2.3.2 智能设计系统的体系结构 |
| 2.3.3 各模块的主要功能 |
| 2.3.4 系统特点 |
| 2.4 摩托车智能设计系统的关键技术 |
| 2.5 小结 |
| 3 摩托车智能设计中知识库系统研究 |
| 3.1 引言 |
| 3.2 摩托车知识表示技术的研究 |
| 3.2.1 知识模型概述 |
| 3.2.2 摩托车的知识模型 |
| 3.2.3 摩托车的知识表示 |
| 3.3 系统实现的关键技术 |
| 3.3.1 知识库及其管理系统 |
| 3.3.2 知识获取 |
| 3.3.3 推理机 |
| 3.3.4 数据库及其管理系统 |
| 3.4 运行实例 |
| 3.5 小结 |
| 4 基于知识的摩托车参数化建模 |
| 4.1 引言 |
| 4.2 基于特征的参数化建模 |
| 4.2.1 特征建模 |
| 4.2.2 特征的参数化 |
| 4.2.3 特征的面向对象表示 |
| 4.2.4 基于特征的参数化系统的组成 |
| 4.3 系统的实现 |
| 4.3.1 基于特征的系统模型 |
| 4.3.2 特征定位 |
| 4.3.3 二次开发环境 |
| 4.3.4 数据库设计 |
| 4.4 运行实例 |
| 4.5 小结 |
| 5 基于遗传算法的摩托车整车结构优化设计 |
| 5.1 引言 |
| 5.2 遗传算法简介 |
| 5.3 遗传算法的基本操作 |
| 5.4 整车连续变量优化 |
| 5.4.1 编码 |
| 5.4.2 适应度函数 |
| 5.4.3 约束条件 |
| 5.4.4 遗传操作的实现 |
| 5.4.5 整车结构优化数学模型 |
| 5.4.6 优化实例 |
| 5.5 整车混合离散变量优化 |
| 5.5.1 编码方法 |
| 5.5.2 遗传操作 |
| 5.5.3 优化实例 |
| 5.6 遗传算法和敏度算法的集成优化 |
| 5.7 小结 |
| 6 神经网络在摩托车智能设计中的应用 |
| 6.1 引言 |
| 6.2 人工神经网络理论与智能设计 |
| 6.2.1 BP 神经网络结构 |
| 6.2.2 BP 学习规则 |
| 6.2.3 训练函数的改进 |
| 6.2.4 神经网络与智能设计 |
| 6.3 基于BP 神经网络的发动机活塞性能预测模型 |
| 6.3.1 预测模型的构建 |
| 6.3.2 训练结果 |
| 6.4 基于神经网络的摩托车智能设计系统 |
| 6.4.1 基于神经网络的知识库 |
| 6.4.2 神经网络与智能设计系统的集成 |
| 6.5 小结 |
| 7 基于粗糙集的知识获取 |
| 7.1 引言 |
| 7.2 基于粗集理论的知识获取概述 |
| 7.2.1 知识获取概述 |
| 7.2.2 粗集理论概述 |
| 7.2.3 基于粗集理论的知识获取 |
| 7.3 基于粗集理论的发动机活塞性能知识获取 |
| 7.4 小结 |
| 8 摩托车智能设计系统的开发与应用 |
| 8.1 引言 |
| 8.2 摩托车智能设计系统工作流程 |
| 8.2.1 系统体系结构简图 |
| 8.2.2 系统工作流程 |
| 8.2.3 系统界面 |
| 8.3 知识库系统模块工作流程 |
| 8.4 参数化设计模块工作流程 |
| 8.5 性能分析及优化模块工作流程 |
| 8.6 运行实例 |
| 8.7 小结 |
| 9 结论与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A. 作者在攻读学位期间发表的论文目录 |
| B. 作者在攻读学位期间取得的科研成果目录 |
（5）军队油料保障指挥决策模型研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 问题提出和研究意义 |
| 1.1.1 问题提出 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 油料保障指挥决策模型化研究历史 |
| 1.2.2 美军油料保障指挥决策模型研究与应用情况 |
| 1.2.3 前苏军油料保障指挥决策模型化研究情况 |
| 1.2.4 我军油料保障指挥决策模型化研究与应用现状 |
| 1.3 研究方法和研究思路 |
| 1.3.1 研究方法 |
| 1.3.2 研究思路 |
| 1.4 研究内容和主要框架 |
| 1.5 本文研究的创新之处 |
| 2 油料保障需求预测模型 |
| 2.1 引言 |
| 2.2 油料保障需求预测依据和步骤 |
| 2.2.1 油料保障需求预测依据 |
| 2.2.2 油料保障需求预测步骤 |
| 2.3 油料保障需求灰色预测模型 |
| 2.3.1 建模机理 |
| 2.3.2 预测模型建立 |
| 2.3.3 预测实例 |
| 2.4 油料保障需求神经网络预测模型 |
| 2.4.1 神经网络模型建立 |
| 2.4.2 模型算法 |
| 2.4.3 预测实例 |
| 2.5 基于向量夹角余弦的灰色-神经网络组合预测模型 |
| 2.5.1 符号说明及概念 |
| 2.5.2 冗余预测方法的存在性及其判定 |
| 2.5.3 预测实例 |
| 2.6 本章小结 |
| 3 油料布局优化模型 |
| 3.1 引言 |
| 3.1.1 油料布局要求 |
| 3.1.2 油料布局影响因素 |
| 3.2 基于模拟法的油库站布局优化模型 |
| 3.2.1 问题提出 |
| 3.2.2 解决问题思路 |
| 3.2.3 油库站网点布局模型组成 |
| 3.2.4 基于模拟法的油库站网点设置 |
| 3.2.5 计算实例 |
| 3.3 基于 Slam 优化技术油料储备布局优化模型 |
| 3.3.1 Slam 优化技术简介 |
| 3.3.2 利用SLAM 仿真技术对油料储备布局的优化分析 |
| 3.4 基于粗糙集的知识推理在油库布局优化中的应用 |
| 3.4.1 基本概念 |
| 3.4.2 知识的表示及基于粗集的知识推理和化简 |
| 3.4.3 军队后方油库布局优化知识推理 |
| 3.5 本章小结 |
| 4 油料调拨运输优化模型 |
| 4.1 引言 |
| 4.2 确定性油料调拨模型 |
| 4.2.1 确定性油料调拨模型一般形式 |
| 4.2.2 求解思路 |
| 4.3 确定性调拨模型的改进与遗传算法求解 |
| 4.3.1 确定性调拨模型的改进 |
| 4.3.2 基于遗传算法的求解 |
| 4.4 单个油库有限量油车运输模型 |
| 4.4.1 数学描述 |
| 4.4.2 遗传算法设计 |
| 4.4.3 实验与结果分析 |
| 4.5 基于多属性决策理论的油料运输路径优化 |
| 4.5.1 初始路径集的建立 |
| 4.5.2 目标模糊集的建立与处理 |
| 4.5.3 决策方案优选 |
| 4.5.4 示例分析 |
| 4.6 本章小结 |
| 5 战略支援油料保障优化模型 |
| 5.1 引言 |
| 5.2 基于军队战略后方基地的战略支援油料保障模型 |
| 5.2.1 模型的基本假设条件 |
| 5.2.2 建模前的准备 |
| 5.2.3 战略支援油料保障决策模型建立及求解 |
| 5.2.4 实施战略支援油料保障实例 |
| 5.3 油料社会化保障激励模型 |
| 5.3.1 油料社会化保障的基本模型 |
| 5.3.2 油料社会化保障分析 |
| 5.3.3 结论 |
| 5.4 本章小结 |
| 6 基于MAS 的油料保障指挥决策系统研究 |
| 6.1 引言 |
| 6.2 Agent 与多 Agent 系统 |
| 6.2.1 Agent 的基本概念和性质 |
| 6.2.2 多Agent 系统 |
| 6.2.3 利用Agent 外壳封装模型软件 |
| 6.2.4 多Agent 系统的设计与分析 |
| 6.3 基于 Multi-Agent 的油料保障指挥决策系统 |
| 6.3.1 系统的体系结构 |
| 6.3.2 基于Multi-agent 的油料保障问题求解 |
| 6.3.3 基于Multi-agent 的系统建模 |
| 6.4 实现技术 |
| 6.5 本章小结 |
| 7 结论 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录A 作者在攻读学位期间发表的论文目录 |
| 附录B 作者在攻读博士学位期间参加的科研项目及得奖情况 |
（6）网格环境下的工艺准备资源管理研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 图清单 |
| 表清单 |
| 缩略词表 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 课题背景 |
| 1.2.1 制造业背景 |
| 1.2.2 网格技术 |
| 1.2.3 网格模式下的制造系统 |
| 1.3 国内外研究现状 |
| 1.3.1 工艺准备技术研究 |
| 1.3.2 网格体系结构研究 |
| 1.3.3 网格资源管理研究 |
| 1.4 课题来源、意义及本文主要内容 |
| 1.4.1 课题来源 |
| 1.4.2 选题意义 |
| 1.4.3 本文主要内容 |
| 1.5 本文章节安排 |
| 2 基于网格框架的工艺准备系统体系结构 |
| 2.1 引言 |
| 2.2 数字化敏捷工艺准备系统研究 |
| 2.2.1 数字化敏捷工艺准备的概念 |
| 2.2.2 数字化敏捷工艺准备系统的总体结构及功能规划 |
| 2.3 网格技术在工艺准备研究中应用的需求分析 |
| 2.4 基于网格的工艺准备系统体系结构 |
| 2.4.1 基于网格的工艺准备系统功能目标 |
| 2.4.2 开放网格服务 |
| 2.4.3 PPSG体系结构 |
| 2.4.4 PPSG应用流程 |
| 2.5 工艺准备网格系统中的资源管理关键技术 |
| 2.6 本章小结 |
| 3 网格工艺准备资源的查找与定位算法 |
| 3.1 引言 |
| 3.2 工艺准备资源信息管理 |
| 3.2.1 工艺准备资源的定义与分类 |
| 3.2.2 工艺准备资源的描述 |
| 3.3 基于资源聚类的网格工艺准备资源发现研究 |
| 3.3.1 工艺准备网格的小世界效应 |
| 3.3.2 基本术语定义 |
| 3.3.3 基于属性的资源动态聚类方法 |
| 3.3.4 基于资源聚类的网格工艺准备资源发现算法 |
| 3.4 本章小结 |
| 4 基于信息公理与粗集理论的网格资源QoS优选研究 |
| 4.1 引言 |
| 4.2 优选方法与网格服务的QoS量化 |
| 4.3 模糊公理设计法的基本原理 |
| 4.3.1 公理设计原理 |
| 4.3.2 多属性模糊公理设计方法 |
| 4.4 基于粗集理论的属性指标权重求解 |
| 4.4.1 粗集理论原理 |
| 4.4.2 基于粗集理论的权重求解 |
| 4.5 基于信息公理与粗集理论的网格资源QoS优选过程 |
| 4.6 应用实例 |
| 4.6.1 模糊公理设计的优选 |
| 4.6.2 加权模糊公理设计的优选 |
| 4.7 本章小结 |
| 5 基于QoS的网格工艺准备资源经济调度 |
| 5.1 引言 |
| 5.2 网格资源管理相关研究 |
| 5.2.1 网格资源管理的目的与功能 |
| 5.2.2 网格资源管理模型 |
| 5.3 基于经济模式的网格工艺准备资源分配 |
| 5.4 基于QoS的网格工艺准备资源调度模型 |
| 5.5 基于QoS的网格工艺准备资源经济调度算法 |
| 5.5.1 基本符号 |
| 5.5.2 优化数学模型 |
| 5.5.3 各层效用函数及其优化 |
| 5.5.4 价格与需求调整 |
| 5.5.5 网格工艺准备资源经济调度算法 |
| 5.6 优化算法仿真与实验结果 |
| 5.7 本章小结 |
| 6 基于资源预测的网格工艺准备资源预留机制研究 |
| 6.1 引言 |
| 6.2 资源预测与预留机制研究的必要性 |
| 6.2.1 工艺准备资源预留研究的必要性 |
| 6.2.2 资源预测研究的必要性 |
| 6.3 资源预测模型的建立 |
| 6.4 基于改进残差GM(1,1)的资源性能预测 |
| 6.4.1 改进残差GM(1,1)模型 |
| 6.4.2 周期外延模型的建立 |
| 6.4.3 时间序列模型的建立 |
| 6.5 基于资源预测的工艺准备资源预留、接纳与响应控制 |
| 6.6 研究算法仿真与结果分析 |
| 6.7 本章小结 |
| 7 其他相关技术及原型系统开发 |
| 7.1 引言 |
| 7.2 基于工艺信息提取的工艺规划 |
| 7.2.1 基于STEP AP214的特征提取 |
| 7.2.2 技术特征的提取 |
| 7.3 面向任务生命周期的网格系统的安全机制研究 |
| 7.3.1 网格系统安全需求 |
| 7.3.2 网格系统安全策略 |
| 7.3.3 网格系统安全问题与挑战 |
| 7.3.4 已有技术研究 |
| 7.3.5 网格系统安全实施 |
| 7.4 原型系统的开发 |
| 7.4.1 工艺准备项目的管理 |
| 7.4.2 PPSG中工艺准备资源的管理 |
| 7.5 本章小结 |
| 8 总结与展望 |
| 8.1 全文工作总结 |
| 8.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表论文和参加科研情况 |
| 一、发表论文情况 |
| 二、参加科研情况 |
（7）粒和粗集研究及与证据理论相结合在不完备数据处理中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 粒计算 |
| 1.2 粗集理论 |
| 1.3 数据融合概述 |
| 1.4 论文的研究结果和组织结构 |
| 2 粗集理论概述 |
| 2.1 粗集基本概念 |
| 2.2 知识约简 |
| 2.3 基于粗集理论的知识获取 |
| 2.4 基于粗集理论的知识获取系统 |
| 2.5 不完备信息系统及其粗集处理方法 |
| 2.6 不完备信息系统的进一步拓展和发展 |
| 2.7 小结 |
| 3 粒概念下粗集模型的一些扩展研究 |
| 3.1 概述 |
| 3.2 以最大相容类为基本粒对粗集模型加以扩展的研究 |
| 3.3 多个主要粒之间的关系 |
| 3.4 不同主要粒所诱导的上下近似集及其相互关系 |
| 3.5 主要粒下的近似精度和熵 |
| 3.6 不完备信息系统下的知识依赖及其度量 |
| 3.7 集值不完备信息系统下的粗集模型扩展研究 |
| 3.8 小结 |
| 4 相容关系和完全覆盖分别与冲突关系和一般覆盖间的关系 |
| 4.1 有限论域上相容关系及完全覆盖的探讨 |
| 4.2 完全覆盖和一般覆盖之间的关系 |
| 4.3 冲突关系与相容关系之间的关系研究及相关算法设计 |
| 4.4 小结 |
| 5 以最大相容类为基本粒的扩展粗集模型下近似集算法研究 |
| 5.1 概述 |
| 5.2 不同粒的求解算法 |
| 5.3 近似集的求解算法 |
| 5.4 例 |
| 5.5 小结 |
| 6 改进变精度限制容差关系粗糙集模型及知识获取研究 |
| 6.1 概述 |
| 6.2 预备知识 |
| 6.3 知识依赖及其度量 |
| 6.4 一个通过变精度依赖进行约简的例子 |
| 6.5 小结 |
| 7 粒概念下受限默认确定规则挖掘研究 |
| 7.1 概述 |
| 7.2 基于最大相容类从不完备决策表中获取规则 |
| 7.3 基于Join类和Meet类挖掘受限默认确定性决策规则 |
| 7.4 用区分矩阵优化受限默认确定决策规则 |
| 7.5 与其他结果的比较 |
| 7.6 小结 |
| 8 属性移动下近似集更新和一个增量学习算法 |
| 8.1 概述 |
| 8.2 几个基本记号 |
| 8.3 属性迁移下上下近似集的更新公式 |
| 8.4 例子 |
| 8.5 挖掘默认确定决策规则的一个增量学习算法 |
| 8.6 小结 |
| 9 基于优势关系近似集不同粒分解的文档扩充和查询 |
| 9.1 引言 |
| 9.2 文档相似性度量 |
| 9.3 基本和非基本粒 |
| 9.4 优势关系下的近似集分解 |
| 9.5 使用分解实现文档扩充和特定查询 |
| 9.6 小结 |
| 10 粒和粗集与D-S证据理论相结合在数据融合中的应用 |
| 10.1 概述 |
| 10.2 几个基本概念 |
| 10.3 D-S理论基本知识 |
| 10.4 D-S证据理论和扩展粗集模型在数据融合中的应用 |
| 10.5 例 |
| 10.6 几个简单结果 |
| 10.7 小结 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间所发表的论文清单 |
（8）CBR ANN智能决策支持方法及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 问题的提出 |
| 1.3 研究现状 |
| 1.3.1 国内研究现状 |
| 1.3.2 国外研究现状 |
| 1.4 研究意义 |
| 1.5 研究思路及研究内容 |
| 第二章 CBR 与ANN 及其集成 |
| 2.1 引言 |
| 2.2 基于案例推理 |
| 2.3 人工神经网络 |
| 2.4 IBL 与CBR 及ANN 之间的联系 |
| 2.5 CBR 系统设计中的神经网络方法 |
| 2.5.1 基本模型结构 |
| 2.5.2 案例索引及案例检索 |
| 2.5.3 CBR 与 ANN 的集成系统 |
| 2.6 CBR 与ANN 集成的其它研究方向 |
| 2.6.1 模糊神经网络 |
| 2.6.2 径向基函数神经网络 |
| 2.6.3 竞争学习神经网络 |
| 2.7 本章小结 |
| 第三章 CBR-ANN 模型设计框架与IDSS 设计框架 |
| 3.1 引言 |
| 3.2 CBR-ANN 模型的设计框架 |
| 3.3 IDSS 的设计框架及一般系统结构 |
| 3.3.1 决策问题与 IDSS |
| 3.3.2 IDSS 的设计框架 |
| 3.3.3 IDSS 一般系统结构 |
| 3.4 本章小结 |
| 第四章 CBR-ANN 智能决策支持模型与方法 |
| 4.1 CBR-ANN 智能决策支持系统结构 |
| 4.2 案例表达、存储及标准化 |
| 4.2.1 案例表达 |
| 4.2.2 案例存储 |
| 4.2.3 案例属性标准化 |
| 4.3 CBR-ANN 智能决策支持模型的知识表示 |
| 4.3.1 产生式表示法 |
| 4.3.2 语义网络表示法 |
| 4.3.3 逻辑表示法 |
| 4.3.4 基于粗集的知识表示与知识获取 |
| 4.4 案例相似性测度 |
| 4.4.1 属性相似性测度 |
| 4.4.2 案例相似性测度 |
| 4.5 案例索引与检索 |
| 4.5.1 基于优势案例的索引 |
| 4.5.2 M(R)案例检索 |
| 4.5.3 ANN 案例检索 |
| 4.6 案例推理 |
| 4.6.1 M(A)案例推理 |
| 4.6.2 基于 ANN 的案例推理 |
| 4.7 系统决策方法 |
| 4.8 系统推荐方法 |
| 4.9 案例保留与学习 |
| 4.10 本章小结 |
| 第五章 CBR-ANN 智能决策支持模型与方法的应用 |
| 5.1 应用背景 |
| 5.2 CFW 防治的CBR 智能决策支持系统性能分析 |
| 5.2.1 CBR 系统结构 |
| 5.2.2 CFW 防治智能决策支持原理 |
| 5.2.3 应用分析 |
| 5.2.4 系统实例 |
| 5.3 基于CBR-ANN 的CFW 防治智能决策支持方法应用分析 |
| 5.3.1 CBR 与 ART-KNN 集成的智能决策支持系统原理 |
| 5.3.2 实验应用与结果分析 |
| 5.4 本章小结 |
| 结论 |
| 1. 主要结论 |
| 2. 创新成果 |
| 3. 研究展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
（9）基于粗集理论的专家系统中知识的获取、更新与推理（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 专家系统 |
| 1.2 粗集理论 |
| 1.3 基于粗集理论的专家系统 |
| 1.4 本文组织结构 |
| 第二章 预备知识 |
| 第三章 知识的获取 |
| 3.1 属性约简 |
| 3.2 规则约简 |
| 3.3 决策算法极小化 |
| 3.4 本章小结 |
| 第四章 知识的更新 |
| 4.1 增量式学习方法的研究 |
| 4.2 对于从知识库中删除一个例子的问题的讨论 |
| 4.3 本章小结 |
| 第五章 知识的推理 |
| 5.1 知识推理的分类 |
| 5.2 不确定推理的传统方法 |
| 5.3 含主观因素的不确定性推理 |
| 5.4 对于不完备知识的推理 |
| 5.5 本章小结 |
| 第六章 结束语 |
| 6.1 工作总结 |
| 6.2 进一步的工作 |
| 参考文献 |
| 研究生期间发表论文 |
| 致谢 |
四、基于粗集知识推理的IDSS中的知识表示（论文参考文献）
- [1]面向方案设计的产品全生命周期知识驱动关键技术研究[D]. 朱金达. 河北工业大学, 2017(02)
- [2]基于拓扑·流量挖掘的网络态势感知技术研究[D]. 卓莹. 国防科学技术大学, 2010(08)
- [3]基于软计算的摩托车智能设计关键技术研究[D]. 代荣. 重庆大学, 2009(12)
- [4]智能决策支持系统中基于粗糙集的知识推理[J]. 王媛媛. 硅谷, 2008(18)
- [5]军队油料保障指挥决策模型研究[D]. 丁国勤. 重庆大学, 2008(06)
- [6]网格环境下的工艺准备资源管理研究[D]. 童一飞. 南京理工大学, 2007(11)
- [7]粒和粗集研究及与证据理论相结合在不完备数据处理中的应用[D]. 吴陈. 南京理工大学, 2007(12)
- [8]CBR ANN智能决策支持方法及应用[D]. 杨振刚. 华南理工大学, 2007(06)
- [9]基于粗集理论的专家系统中知识的获取、更新与推理[D]. 韩业红. 山东师范大学, 2007(04)
- [10]基于云模型的智能决策支持系统[A]. 冯玉强,王洪利,曹慕昆. 2006中国控制与决策学术年会论文集, 2006