一、D-S证据理论在目标识别中的应用（论文文献综述）
杨华,杨君刚,刘存涛,赵文栋[1]（2021）在《D-S证据理论在小型空地无人集群战场目标识别中的运用》文中认为近年来,多传感器信息融合技术在无人集群战场目标识别等领域得到了广泛的关注,针对D-S证据理论在无人集群协同目标识别过程中潜在的冲突证据组合问题进行了研究。首先,提出了一种基于综合考虑目标识别主体可信性和证据间支持度的复合折扣系数计算方法,并引入了结果精炼机制;其次,对该方法在无人集群战场目标识别中的运用进行了探讨;最后,通过仿真算例验证了新方法能够克服低置信度、高冲突证据组合"一票否决"的问题,与其他几种典型的改进算法相比,尤其适用于冲突证据数目较多的情况。
陈开元[2]（2021）在《基于多源数据的DoS攻击检测方法的研究与实现》文中研究表明本文通过数据融合与深度学习神经网络相结合的方式实现了一种针对DoS攻击的检测方法。该方法首先通过深度学习神经网络计算产生各类攻击发生的初始概率分配值（BPA）,再将BPA输入改进的D-S证据理论得到攻击检测结果。本文的研究工作主要集中于数据融合方法在DoS攻击检测领域的应用,并对所应用的数据融合方法做了一定的改进。首先我们对本课题研究的背景与意义进行了简要阐述。之后,我们对数据融合技术的基本概念、融合过程、层次划分、技术优势等内容进行了简单介绍。在此基础上,我们对数据融合领域的几类关键技术进行了分析和对比。本文主要工作和创新点如下:（1）针对经典D-S证据理论中存在的一些固有问题,即在证据源之间出现严重冲突甚至完全冲突情况下数据融合结果明显不合理的问题和基础概率分配值（BPA）的获取过于依赖专家经验的问题,我们提出了改进方法。首先,经过对历年以来研究人员对经典D-S证据理论的改进的研究和借鉴,我们在经典D-S证据理论中引入了模糊隶属度fA和数据源平均支持度SA这两个概念,作为权值因子加入到合成公式中,提高了数据融合结果的准确性。我们分别从证据源之间出现严重冲突、完全冲突以及有新证据源加入这三个方面进行实验,证明了该方法相比以往方法具有一定的优越性。（2）其次,通过引入内部逻辑严密、善于逼近复杂非线性关系、收敛速度也较快的深度学习神经网络,我们可以得到更精确的基本概率分配值（BPA）。我们还对神经网络的优化算法进行了改进,新的优化算法在Adam算法的基础上做出了改进,按照历年以来深度学习优化算法的改进方式,延续Adam算法引入一阶矩估计和二阶矩估计的思路,将三阶矩估计的概念引入其中,使得学习率会相对增大,以使得算法在训练前期可以快速向最优解方向靠近,在训练后期学习率也不会过低,从而缓解了训练提前结束的问题,一定程度上防止了 Adam算法出现的可能错过全局最优解的问题。我们还引入了动态控制学习率的思想,对学习率的控制可以保证上一轮迭代过程中的学习率不小于下一轮迭代过程中的学习率,避免了自适应学习率在迭代过程中上下波动的问题,使得在训练过程中学习率单调递减,从而保证了模型最终一定会收敛。我们在多个数据集上进行了实验,与其他几种优化算法对比,验证了本文所提出的改进优化算法在收敛速度和分类精度等方面的良好效果。（3）基于以上工作,我们通过深度学习神经网络和D-S证据理论相结合的方式实现了一种针对DoS攻击的检测方法。该方法主要由数据采集、数据预处理、获取基础概率分配值（BPA）以及数据融合四个组件构成。我们通过实验环境得到数据对该方法进行验证,并与以往几种DoS攻击检测方法作对比,证明其对DoS攻击的各种常见细分攻击类型（如neptune、smurf攻击等）的检测具有很高的正确率。通过对IDS、防火墙等的日志和流量数据进行抓取分析,对网络流量中的DoS攻击进行检测,从而为网络安全的决策提供强有力的支持。
程翠萍[3]（2021）在《面向多源信息融合的证据距离算法研究》文中研究说明近年来,社会信息化进程加快,各式各样的信息层出不穷,多源信息融合技术也得到了快速发展。如何有效融合来自多个信息源的不同层次、不同类型、不同维度的数据得到了各个行业不同领域的关注。在实际应用中,一个由多传感器组成的系统,分散的传感器所捕获的数据可能会因为自身和外界环境的影响而存在噪声,让所获取的信息具有不确定性并且存在冲突。如何有效地度量多源信息之间的冲突,从而实现合理可信的数据融合是国内外研究的热点之一。因为不同信息源所传达的信号存在差异,所以根据实际问题来构造合适的冲突度量具有重大的意义,同时这也将是本文的主要研究内容。Dempster-Shafer证据理论在表征不确定信息中存在明显的优势,因为其能够有效对残缺信息进行建模而备受关注。虽然Dempster-Shafer证据理论有很多优点,但是它在融合高度冲突的证据体的时候会产生反直觉的现象。为了解决这个问题,目前主要有两种方案:第一种是修改证据融合规则,第二种是对证据进行预处理,主要是在合并证据之前根据证据体的可信度来分配权重,从而减少有争议的证据对最终融合结果的影响。为了衡量证据体之间的冲突程度,本文将提出两种用于针对不同数据类型的证据距离测度。本文证明所提出的方法满足距离的性质,并讨论了所提出方法的性质。通过多源信息融合的数值例子证明所提的距离具有较强的灵敏度,可以有效地测量证据体之间的相似性。通过与现有距离函数进行比较,表明了本文提出的方法能够有效克服现有方法的不足,在表征相似性的时候更加鲁棒和准确。具体内容如下:（1）提出用于度量经典信念函数的证据距离通过分析Jousselme et al.距离函数在度量焦元之间的差异所产生的相似碰撞问题的原因,本文提出了一个新的距离测度。新的测度以Jousselme et al.距离函数的框架为基础来进行建模,该测度针对单个集合中元素个数的变化,通过交集和并集的数值比来描述不同焦元之间的相似度。该模型被证明满足距离定理,同时能有效刻画证据体之间的冲突。在多源信息融合的案例中,提出的方法表现出了明显的优势。（2）提出用于度量有序信念函数的证据距离针对信念函数在度量空间为离散数值时的情况,一种能反映元素之间物理距离关系的测度被提出。Hausdorff距离常被用于衡量点集之间的差异,根据其基本思想,本文定义了一个相似矩阵来量化焦点元素之间的距离,该相似矩阵可以表征在连续空间中元素分布的差异。即使焦点元素不重叠,提出的距离仍会随物理距离而变化。通过归一化实现消除数据量级的影响的目的,同时证明该测度对于区间集合同样有效,因此新的距离使用范围更广。
文袁[4]（2021）在《基于模态信息熵与两阶段信息融合的梁结构损伤诊断研究》文中提出近年来,我国桥梁工程事故的频发,结构健康监测系统能及时评估结构的运营状态,有效避免事故的发生,为桥梁结构的维护和管理提供决策的依据,是土木工程领域研究的重点。一方面,损伤识别是结构健康监测的核心部分。另一方面,随着桥梁服役年限的增加,复杂环境中的桥梁因为各种不确定性因素造成损伤的积累,最终可能引发桥梁事故,因此对桥梁结构进行损伤识别方法研究非常有必要。本文主要利用梁结构曲率模态参数的确定性识别方法结合信息熵理论、信息融合理论等不确定性识别方法展开损伤识别方法研究,提出一种基于模态信息熵和两阶段信息融合诊断的损伤识别方法,建立有限元模型,通过数值模拟和理论分析,进行方法的有效性和可靠性验证。通过实验室模型验证了模态曲率熵与两阶段信息融合诊断方法的工程适用性。本文开展的主要工作和研究结果如下:（1）基于曲率模态的理论基础,将模态曲率差、模态曲率比、广义柔度曲率差结合信息熵理论构建模态曲率差熵、模态曲率比熵、广义柔度曲率差熵（Generalized Flexibility Curvature Difference Entropy,GFCDE）三个指标。通过MIDAS/Civil建立简支梁和连续梁有限元模型,对比分析传统模态曲率指标与模态曲率熵指标在不同工况下的损伤结果,引入不同的噪声水平对三种模态曲率熵指标进行抗噪性验证。对比分析结果表明:GFCDE指标的前三阶损伤识别效果、抗噪性明显优于其他两种指标。（2）引入两阶段D-S证据理论信息融合方法,结合GFCDE指标对桥梁结构损伤识别方法进行进一步研究。建立简支梁和连续梁的有限元模型,获取结构的模态数据,计算结构损伤前后的前三阶GFCDE指标,将每一阶GFCDE损伤识别结果作为单个信息源,基于GFCDE指标和两阶段信息融合的方法编写MATLAB程序,对简支梁和连续梁进行不同工况的损伤识别。融合结果表明:两阶段信息融合的结果相比于仅用GFCDE指标的识别结果更明显,且具有良好的准确性和抗噪性。（3）通过力锤激励对简支钢梁进行振动模态测试试验,验证GFCDE指标和两阶段信息融合方法在实际工程中的适用性,通过对梁截面开口的深度和宽度模拟损伤程度大小,利用Coinv DASP MAS模态与动力学分析软件获取所需试验结构的前三阶模态振型值和频率值,按照信息融合步骤进行损伤识别与结果分析。实验结果分析表明:基于不确定性分析的两阶段信息融合方法对实验室模型的损伤识别效果较好,对实际工程有一定的指导作用。
陈致远,沈堤,余付平,陈宏阳,赵凯[5]（2021）在《基于D-S证据理论的空中目标敌我识别研究综述》文中提出D-S证据理论作为一种不确定性推理工具,能够充分发挥多源信息融合的优势,提高空中目标敌我识别结果的准确性。本文从空中目标敌我识别的实际应用出发,介绍了D-S证据理论的基本原理,梳理了空中目标敌我识别中需要解决的关键问题,然后从空中目标敌我识别的识别方法和信息融合两个方面,对现有研究方法进行了归纳与分类,并简要总结了每种方法的优势、适用范围、使用价值等。最后在现有研究基础上提出了一种新的空中目标敌我识别方法,并对D-S证据在空中目标敌我识别中的应用进行了展望。
尹东亮,黄晓颖,吴艳杰,何有宸,谢经伟[6]（2021）在《基于云模型和改进D-S证据理论的目标识别决策方法》文中指出在目标识别决策系统中,多探测器多源信息融合的模糊性和不确定性以及各探测周期所得信息的冲突互斥会造成目标识别决策不精准。为解决这一问题,提出基于云模型和改进D-S（Dempster-Shafer）证据理论的目标识别决策方法。首先,将目标识别准确性这一语言评价值划分为不同评价区间等级,以不同评价等级标准云为参照将各探测器各探测周期所得信息转化为云决策矩阵,得出各周期各等级隶属度,进而构建出基本概率分配函数（mass函数）;其次,基于证据理论引入冲突度、差异度、离散度3类衡量冲突大小的参数,定义了一种新的证据冲突参数,同时改进证据冲突融合算法,对各探测器各周期证据体进行修正并融合;再次,结合各探测器权重加权得出各目标综合识别决策的mass函数对目标进行决策;最后,结合算例,验证该方法的适用性,并与其他方法相对比验证了本文方法的优越性。
张苏楠[7]（2020）在《生猪异常行为多源监测及其信息融合方法的研究与应用》文中研究说明畜牧业作为农业的重要组成部分,在国民经济发展中的基础地位不可动摇。综合考量养殖环境、品质及效率等因素,生猪集约化养殖意义重大。目前,现代集约化养猪场已经逐步实现无人值守,对无人值守养猪场中生猪异常行为进行智能监测,是实现安全养殖、高品质养殖和高效养殖的现实需求。本论文运用机器视觉技术、声音识别技术和超声波技术三种监测手段,从多角度对生猪异常行为进行数字化综合监测,最后采用多源信息融合方法对生猪多源多时段异常行为进行融合评价。主要研究内容如下:（1）基于机器视觉的生猪动作异常监测生猪聚散程度与生猪疾病预防、热舒适性密切相关,生猪打斗行为会影响生猪健康状况与福利水平。为了检测复杂环境下圈养生猪的聚散程度与打斗行为,采用机器视觉技术识别生猪过度聚集与打斗行为。针对复杂养殖环境下,传统目标检测方法在生猪个体检测过程中的局限性,提高对紧密接触生猪的检测精度,提出了结合改进多视窗检测方法和单点多盒检测器（Single Shot Multi Box Detector,SSD）的生猪目标检测方法,并定义了生猪离散度以表征生猪聚散程度,通过实验比较,设定合适的离散度阈值,实现生猪过度聚集检测。在生猪打斗行为识别过程中,针对生猪打斗行为特征,提出了结合帧间差分法（Frame Difference,FD）和SSD的运动生猪个体检测方法,可以有效排除环境因素与静止生猪对打斗行为识别的干扰,确定运动生猪位置,最后根据检测到的运动生猪位置信息与运动持续时间,设计了生猪打斗行为判别方法,该方法可以有效地识别圈养生猪的打斗行为,为饲养员判断生猪异常行为提供依据。（2）生猪异常声音的改进多重支持向量数据描述识别方法生猪在身体状况发生变化或外界环境刺激下会发出不同的声音,本论文选择常见的惊骇声与咳嗽声作为生猪异常声音。为了检测并分类生猪惊骇声和咳嗽声,提出了生猪异常声音的多重支持向量数据描述（Multiple Support Vector Data Description,Multi-SVDD）识别方法。针对训练样本标记错误容易导致Multi-SVDD在训练中出现欠拟合,影响识别精度的问题,根据每个训练样本的重要性赋予相应的权重,对Multi-SVDD进行改进,提高模型的容错能力。实验结果表明,改进Multi-SVDD可以有效地识别生猪异常声音,且具有较强的适用性。（3）生猪饮食异常的改进PSO-SVDD判断方法生猪饮食在一定程度上可以表征生猪的健康状况,本论文采用课题组设计的基于超声波的生猪饮食数据采集装置采集生猪饮食数据,以生猪每天的饮食次数与饮食时间数据为基础,提出采用SVDD对生猪饮食异常进行判断。针对SVDD中惩罚因子与核函数参数难以确定的问题,利用粒子群优化（Particle Swarm Optimization,PSO）算法对SVDD参数进行优化。由于生猪饮食异常具有一定的模糊性,传统决策函数进行模糊决策时精度受限,本论文通过构建模糊决策函数对PSO-SVDD进行改进,并利用改进PSO-SVDD模型对生猪饮食异常进行判断。实验结果表明,该方法可以更加准确地判断生猪饮食异常。（4）生猪多源多时段异常行为的灰色证据组合模型融合评价方法由于在生猪异常行为监测过程中,单一的监测手段很难全面、准确地实现生猪异常行为自动监测,因此需要从多角度、利用不同的监测手段进行融合判断。同时,为了避免单一时段异常判断结果的偶然性对异常等级评估造成影响,本论文采用结合灰色聚类评估模型与D-S证据理论的灰色证据组合模型对生猪多源多时段异常行为进行融合评价。针对D-S证据理论融合高冲突证据时无法得到合理结果的问题,引入证据可信度对组合规则进行改进。该方法可以有效地对生猪多源多时段异常行为进行融合评价,为饲养员提供有效的生猪异常信息,提高监测效率。针对集约化养猪场中生猪异常行为智能监测问题,设计了生猪异常行为多源监测系统,通过机器视觉技术、声音识别技术与超声波技术检测不同的异常信息,并对多源异常信息进行融合评价,有助于提高集约化养猪场的工作效率,为生猪行为监测从人工到数字化、智能化的升级转换提供了一定的理论支持和技术保障。
冯超[8]（2020）在《空间目标融合识别方法研究及知识库设计》文中认为近年来,由于人类对外太空的探索愈加频繁,空间目标种类和数量急剧上升,对于空间目标的识别需求也随之而来,空间目标识别技术应运而生。空间目标识别技术通过获取空间目标回波数据,提取能够反映空间目标特性的特征,经过分类器确认目标类别。目标融合识别技术将目标识别方法与信息融合理论相结合,通过充分利用融合信息之间的互补信息提升空间目标识别的准确性与可靠性。本文针对空间目标识别问题,对空间目标特征级及决策级融合识别方法进行研究;同时考虑到空间目标识别中目标数据检索与存储需求,本文运用Qt Creator开发工具设计了针对空间目标信息的知识库。论文的主要内容如下:1、针对空间目标特征融合识别任务,本文提出了一种基于自适应加权求和的深层特征融合识别方法。在特征融合识别过程中,不同特征对于识别任务的贡献程度存在差异,传统特征融合方法对于特征间贡献程度的差异考虑较少,导致融合特征的识别性能受限。本文提出方法通过在特征融合过程中引入注意力模块来衡量特征的贡献程度,并利用加权求和的方式得到融合特征,基于统一的代价函数实现融合网络参数的联合优化。基于空间目标电磁仿真数据的实验结果表明,本文提出的特征融合方法的平均识别率为94.16%,相较于浅层特征融合方法提升约7%,相较于传统深层特征融合方法提升约2%。2、为了进一步提升识别性能,本文结合雷达宽窄交替工作模式下的回波特性,提出了一种基于空间目标高、低分辨回波的综合识别方案。该方案对高、低分辨回波提取的特征分别进行特征级融合判决;再对高、低分辨回波的判决向量进行决策级融合,得到空间目标的最终识别结果。由于雷达宽窄交替的工作模式可以间隔获取空间目标的宽带雷达回波与窄带雷达回波,且宽、窄带雷达回波包含目标在不同雷达分辨率、不同姿态下的身份信息,因此,对宽、窄带雷达回波的判决结果进行决策级融合能够充分利用宽、窄带雷达回波中与目标类别相关的信息。在决策级融合部分,本文实现了基于决策模板法、D-S证据理论以及随机森林的三种决策级融合方法,并对各方法的性能进行了验证。基于空间目标电磁仿真数据的实验结果表明,提出方案能够有效提升空间目标识别的性能,其中基于随机森林决策级融合方法的综合识别方案对目标的平均识别率为97.08%,相较于仅使用宽带回波数据的特征级融合识别性能提升约3%。3、研究空间目标知识库软件设计。在以上空间目标融合识别任务中,空间目标知识的获取与存储至关重要,为了方便空间目标知识的管理与存储,本文基于Visual Studio开发平台运用Qt Creator进行空间目标知识库设计。知识库搭建主要经过了空间目标信息收集、数据结构设计、开发平台选择及安装、数据库实施、数据可视化环节。本文搭建的空间目标知识库中包括典型的国内外高、低轨空间目标共22型,涵盖了空间目标结构特性、轨道参数、仿真数据、实测数据、图片信息等数据,此外知识库软件还支持数据的更新、检索、维护、可视化等功能。
叶鑫泉[9]（2020）在《基于振动响应协方差参数和D-S证据理论的损伤识别》文中研究指明本文首先介绍了结构损伤识别领域的国内外研究背景以及研究现状,综述了一些常用的结构损伤识别方法,在此基础上,提出了使用响应协方差参数作为损伤指标,并分别使用应变响应和加速度响应来进行损伤识别,由此得到两种损伤识别指标,第一种是应变响应协方差参数（Co S）,第二种是加速度响应不同频带的协方差参数（Co I）,通过比较结构损伤前和后的Co S或Co I就可进行损伤识别,无需结构分析模型,直接从测量的应变响应和加速度响应进行分析处理即可实现。但由于激励位置和噪声都会影响这两种损伤指标的精度,为了提高其精度和适用性,提出使用D-S证据理论融合技术（D-S证据理论融合技术具有无需先验概率即可进行融合的优点）。对不同激励位置处的Co S改变量得到的损伤概率向量进行D-S证据理论数据融合,可以提高最终的损伤向量的精度,利用一个七层框架结构进行包括单损伤和多损伤等多种损伤工况的数值模拟,来研究所提方法的适用性和有效性,结果表明该方法能判定损伤发生和准确识别出损伤位置,最后使用实验室测试的简支钢梁验证了基于应变影响协方差参数和D-S证据理论的损伤识别方法的有效性。应变响应具有较好的局部性,但是加速度响应更容易测量,其局部性弱于应变响应,由于高阶模态对损伤更灵敏,所以本文使用加速度响应不同频带的协方差参数来进行损伤识别,以提高协方差参数中高阶模态在损伤识别过程中的贡献,并最终提高损伤识别的精度。所以本文又把加速度响应在不同频带的协方差参数作为损伤指标,通过D-S证据理论融合技术对不同激励位置处、不同噪声的、不同频带的加速度响应协方差参数（Co I）所得到的损伤概率向量进行融合,同样用七层框架结构进行多种损伤工况的数值模拟,和对实验室测试的七层框架数据进行分析验证,结果表明该方法对损伤敏感,对噪声鲁棒,是有效的损伤识别方法,而且由于无需结构分析模型,该方法具有较好的工程应用前景。
王罗[10]（2020）在《水轮发电机励磁绕组匝间短路故障特征分析与故障识别》文中提出近年来我国可再生能源发展迅速,水力发电由于具有管理运行灵活和技术成熟等优势在可再生能源中占有重要地位,水轮发电机的装机容量和发电量逐年增加。大型水轮发电机结构复杂,且兼顾发电及电网调峰任务,运行负担较重,机组故障率呈上升态势。水轮发电机的励磁绕组长期伴随转子高速旋转,容易发生匝间短路故障。励磁绕组匝间短路初期故障特征不明显,如不及时处理故障可能会引发转子接地等更严重的故障,影响水轮发电机安全稳定运行。对于水轮发电机励磁绕组匝间短路故障目前缺少有效的在线监测方法,因此深入研究励磁绕组匝间短路的故障特征,提出准确性高的识别方法,对水轮发电机组具有重要意义。本文对水轮发电机励磁绕组匝间短路故障的励磁电流、温度场、热应力等特征进行详细研究,结合电气量分析研究水轮发电机匝间短路辨识,在多特征研究的基础上提出信息融合诊断方法,在水轮发电机匝间短路故障在线诊断的基础上提高励磁绕组短路故障的识别准确性。主要工作和取得的成果如下:水轮发电机绕组匝间短路转子电流及标准电流的计算分析。分析了励磁绕组发生匝间短路后水轮发电机励磁电流的情况,基于电机原理建立了电压,有功无功等的电气参数的数学模型,推导水轮发电机运行监测量与励磁电动势的关系式。提出了励磁电流计算的空载曲线反向计算法,通过反向计算空载特性曲线,得到水轮发电机励磁绕组正常条件下某特定运行状态的励磁电流计算标准值,通过匝间短路判据与实测励磁电流对比,结果可以反映发电机匝间短路故障及故障程度。绕组匝间短路故障转子磁极温度等热特性的研究。建立水轮发电机转子磁极的三维有限元模型,根据水轮发电机情况提出相关的假设条件,计算了励磁绕组匝间短路故障发生前后的转子磁极温度场及热应力,并总结故障时磁极温度场和热应力的变化规律。改变模型的相关参数,建立不同短路程度和不同短路位置的模型,进一步计算分析了励磁绕组匝间短路程度和位置不同对水轮发电机磁极温度场及热应力的影响规律。提出一种基于Volterra核辨识的水轮发电机励磁绕组匝间短路诊断方法。建立水轮发电机励磁绕组匝间短路故障非线性系统,分析定子分支电压和分支电流作为输入输出识别匝间短路的可行性,引入Volterra级数模型描述系统特征,通过辨识励磁绕组正常和故障状态下非线性系统传递关系的Volterra核函数的不同,来诊断励磁绕组匝间短路故障,并通过发电机的匝间短路故障实验验证了该方法正确性和有效性。提出的诊断方法具有较高的诊断精度,通过三阶核辨识实现水轮发电机励磁绕组匝间短路故障的识别。提出基于多源信息融合的水轮发电机励磁绕组匝间短路识别方法。将多源信息融合理论应用到水轮发电机励磁绕组匝间短路故障识别中,根据水轮发电机特点及传感器情况,选择短路故障特征量作为证据体,将水轮发电机匝间短路的多组故障特征证据体依据证据理论进行融合,降低传感器不确定性影响,提高匝间短路故障识别结论的置信度。进行发电机励磁绕组匝间短路故障实验,对比多特征量与单一特征量置信度,验证了多源信息融合在发电机励磁绕组匝间故障识别中的有效性。结果表明,基于多源信息融合的水轮发电机励磁绕组匝间短路故障识别方法减少了单一传感器所带来不确定性的影响,提升故障识别准确性。
二、D-S证据理论在目标识别中的应用（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、D-S证据理论在目标识别中的应用（论文提纲范文）
（1）D-S证据理论在小型空地无人集群战场目标识别中的运用（论文提纲范文）
| 1 改进的证据组合方法 |
| 1.1 算法的主要思想 |
| 1.2 算法形式化描述 |
| 1)计算参考证据与比较证据的基本概率分配差值序列 |
| 2)计算灰色关联系数和灰色关联度 |
| 3)计算目标识别主体可信性因子 |
| 4)计算证据之间距离 |
| 5)构造证据间支持度矩阵 |
| 6)计算证据间支持度因子 |
| 7)计算复合折扣算子 |
| 8)计算初次合成结果 |
| 9)计算精炼调整结果 |
| 2 D-S证据理论在空地无人集群协同目标识别中的应用 |
| 2.1 应用背景 |
| 2.2 应用方法 |
| 2.3 决策依据 |
| 3 仿真算例 |
| 3.1 各无人平台提供正常数据时 |
| 3.2 某一个无人平台提供错误数据时 |
| 3.3 某二个无人平台提供错误数据时 |
| 4 结束语 |
（2）基于多源数据的DoS攻击检测方法的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外数据融合领域研究现状 |
| 1.2.2 国内外攻击检测领域研究现状 |
| 1.2.3 模糊集合理论研究现状 |
| 1.2.4 D-S证据理论研究现状 |
| 1.3 主要研究工作 |
| 1.4 论文组织结构 |
| 第二章 数据融合概论及关键技术分析 |
| 2.1 数据融合概述 |
| 2.2 数据融合的基本过程 |
| 2.3 多传感器数据融合的优势 |
| 2.4 数据融合关键技术 |
| 2.4.1 加权平均法 |
| 2.4.2 卡尔曼滤波法 |
| 2.4.3 贝叶斯推理法 |
| 2.4.4 D-S证据理论 |
| 2.4.5 模糊逻辑推理法 |
| 2.4.6 人工神经网络法 |
| 2.4.7 专家系统 |
| 2.4.8 统计决策理论 |
| 2.5 本章小结 |
| 第三章 一种改进的D-S证据理论数据融合方法 |
| 3.1 D-S证据理论简介 |
| 3.1.1 经典D-S证据理论 |
| 3.1.2 经典D-S证据理论存在的主要问题 |
| 3.1.3 D-S证据理论的改进历程 |
| 3.2 模糊集合理论 |
| 3.2.1 模糊集合理论基本概念 |
| 3.2.2 模糊集合的表示方法 |
| 3.2.3 模糊隶属度的确定方法 |
| 3.3 一种改进的D-S证据理论数据融合方法 |
| 3.4 实验与分析 |
| 3.4.1 证据源之间出现严重冲突 |
| 3.4.2 证据源之间出现完全冲突 |
| 3.4.3 有新证据源加入 |
| 3.5 本章小结 |
| 第四章 一种改进的深度学习优化算法 |
| 4.1 深度学习神经网络和优化算法简介 |
| 4.1.1 随机梯度下降算法(SGD) |
| 4.1.2 随机梯度下降法的改进过程 |
| 4.2 一种改进的深度学习优化算法 |
| 4.3 实验与分析 |
| 4.3.1 MNIST数据集上的实验结果 |
| 4.3.2 CIFAR-10数据集上的实验结果 |
| 4.4 本章小结 |
| 第五章 数据融合的应用 |
| 5.1 方案总体设计 |
| 5.1.1 系统框架 |
| 5.1.2 深度学习神经网络的总体框架 |
| 5.2 模块设计 |
| 5.2.1 数据采集模块 |
| 5.2.2 数据预处理模块 |
| 5.2.3 BPA获取模块 |
| 5.2.4 数据融合模块 |
| 5.3 系统测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（3）面向多源信息融合的证据距离算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究方法和内容 |
| 1.4 论文组织结构 |
| 第2章 相关理论和技术基础 |
| 2.1 证据理论 |
| 2.2 证据距离 |
| 第3章 基于JOUSSELME ET AL.距离的相似性测度 |
| 3.1 JOUSSELME ET AL.距离 |
| 3.2 提出的证据距离 |
| 3.3 实验与分析 |
| 3.4 本章小结 |
| 第4章 一种用于有序信念函数的距离测度 |
| 4.1 犹豫语言术语集 |
| 4.2 提出的有序距离测度 |
| 4.3 实验与分析 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在校期间所发表的文章 |
（4）基于模态信息熵与两阶段信息融合的梁结构损伤诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题的背景及意义 |
| 1.2 结构损伤识别研究综述 |
| 1.2.1 结构损伤识别确定性方法 |
| 1.2.2 结构损伤识别不确定性方法 |
| 1.3 存在的问题 |
| 1.4 本文研究的目的和内容 |
| 1.5 本文研究技术路线 |
| 第2章 曲率模态和信息融合基本理论 |
| 2.1 引言 |
| 2.2 模态曲率的基本理论 |
| 2.3 信息熵的基本理论 |
| 2.4 信息融合的基本理论 |
| 2.4.1 信息融合理论概述 |
| 2.4.2 D-S证据理论 |
| 2.4.3 D-S证据理论的融合规则 |
| 2.5 结构单元损伤模拟方法 |
| 2.6 结构损伤识别中噪声的模拟方法 |
| 2.7 本章小结 |
| 第3章 基于曲率模态熵的结构损伤诊断对比研究 |
| 3.1 引言 |
| 3.2 模态熵指标的计算流程 |
| 3.2.1 曲率指标局部概率的建立 |
| 3.2.2 曲率模态熵指标计算 |
| 3.3 损伤程度识别原理 |
| 3.4 算例验证 |
| 3.4.1 简支梁模型建立 |
| 3.4.2 损伤工况设置 |
| 3.4.3 结构损伤识别结果分析 |
| 3.4.4 结构损伤程度识别研究 |
| 3.4.5 指标抗噪性能研究 |
| 3.5 本章小结 |
| 第4章 基于GFCDE指标与两阶段D-S证据信息融合损伤诊断研究 |
| 4.1 引言 |
| 4.2 两阶段信息融合的计算 |
| 4.3 简支梁仿真模拟及结果分析 |
| 4.2.1 模型建立 |
| 4.2.2 工况设置 |
| 4.2.3 仿真模拟及融合步骤 |
| 4.2.4 两阶段D-S证据理论信息融合结果分析 |
| 4.4 连续梁仿真模拟及结果分析 |
| 4.3.1 模型建立 |
| 4.3.2 工况设置 |
| 4.3.3 两阶段D-S证据理论信息融合结果分析 |
| 4.5 抗噪性能分析 |
| 4.6 本章小结 |
| 第5章 基于GFCDE指标与两阶段D-S证据信息融合的试验验证 |
| 5.1 引言 |
| 5.2 试验模型设计与制作 |
| 5.3 损伤模拟及工况设置 |
| 5.3.1 损伤单元等效刚度的确定 |
| 5.3.2 简支钢梁模态参数提取 |
| 5.4 简支钢梁结构有限元模拟及结果分析 |
| 5.4.1 试验结构有限元模拟 |
| 5.4.2 有限元模拟结果分析 |
| 5.5 简支钢梁两阶段D-S证据信息融合试验验证 |
| 5.6 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
| 附录A:攻读学位期间参与的科研与工程项目 |
（5）基于D-S证据理论的空中目标敌我识别研究综述（论文提纲范文）
| 0 引 言 |
| 1 基础理论 |
| 1.1 D-S证据理论 |
| 1.2 空中目标敌我识别流程 |
| 1.3 空中目标敌我识别的关键问题 |
| 1.3.1 识别方法问题 |
| 1.3.2 信息融合问题 |
| 2 基于识别方法的研究分类 |
| 2.1 基于技术型识别方法的研究分类 |
| 2.2 基于逻辑型识别方法的研究分类 |
| 2.3 基于识别方法的研究分类总结 |
| 3 基于信息融合的研究分类 |
| 3.1 基于BPA构造方法的研究分类 |
| 3.1.1 基于隶属度函数的BPA构造方法 |
| 3.1.2 基于智能算法的BPA获取方法 |
| 3.1.3 基于BPA构造方法的研究分类总结 |
| 3.2 基于冲突证据融合的研究分类 |
| 3.2.1 基于修改组合规则的冲突证据融合 |
| 3.2.2 基于修改证据源的冲突证据融合 |
| 3.2.3 基于冲突证据融合的研究分类总结 |
| 3.3 基于融合方式的研究分类 |
| 4 研究前景 |
| 4.1 空中目标敌我识别的研究前景 |
| 4.2 D-S证据理论在空中目标敌我识别中的应用展望 |
| 5 结 束 语 |
（6）基于云模型和改进D-S证据理论的目标识别决策方法（论文提纲范文）
| 1 基于云模型的目标识别准确性转化 |
| 2 基于改进D-S证据理论的目标信息融合优化算法 |
| 2.1 证据冲突计算 |
| 2.1.1 冲突度α |
| 2.1.2 差异度β |
| 2.1.3 离散度γ |
| 2.2 证据冲突修正 |
| 2.3 证据融合优化 |
| 2.4 目标识别决策 |
| 3 算 例 |
| 3.1 算法正确性验证 |
| 3.2 算法识别效果对比分析 |
| 3.3 算法收敛性对比分析 |
| 4 结 论 |
（7）生猪异常行为多源监测及其信息融合方法的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 英文缩写对照表 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机器视觉技术的研究现状 |
| 1.2.2 音频监测技术的研究现状 |
| 1.2.3 超声波技术研究现状 |
| 1.2.4 多源信息融合研究现状 |
| 1.3 论文主要研究内容和章节安排 |
| 1.3.1 论文主要研究内容 |
| 1.3.2章节安排 |
| 1.4 本章小结 |
| 第2章 基于机器视觉技术的生猪动作异常监测 |
| 2.1 基于机器视觉技术的生猪异常行为监测总体结构 |
| 2.2 生猪生长周期分析 |
| 2.3 生猪视频采集与预处理 |
| 2.3.1 生猪视频采集 |
| 2.3.2 生猪图像预处理 |
| 2.4 基于改进SSD的生猪目标检测研究 |
| 2.4.1 卷积神经网络 |
| 2.4.2 SSD基本结构 |
| 2.4.3 SSD网络训练 |
| 2.4.4 SSD基础网络 |
| 2.4.5 生猪目标的改进SSD检测方法 |
| 2.4.6 基于改进SSD的生猪目标检测结果与分析 |
| 2.5 生猪过度聚集的改进SSD检测方法研究 |
| 2.6 生猪打斗行为的FD-SSD检测方法研究 |
| 2.6.1 基于帧间差分法的生猪移动像素提取 |
| 2.6.2 基于SSD的运动生猪个体检测 |
| 2.6.3 生猪打斗行为判别方法 |
| 2.6.4 生猪打斗行为的FD-SSD检测方法实验结果与分析 |
| 2.7 本章小结 |
| 第3章 生猪异常声音的改进多重支持向量数据描述识别方法 |
| 3.1 生猪异常声音识别总体结构 |
| 3.2 生猪异常声音分析与生猪声音信号采集 |
| 3.2.1 生猪异常声音分析 |
| 3.2.2 生猪异常声音采集 |
| 3.3 生猪声音信号预处理 |
| 3.3.1 生猪声音能量检测 |
| 3.3.2 生猪混合声音分离 |
| 3.3.3 生猪声音降噪 |
| 3.3.4 生猪声音端点检测 |
| 3.3.5 生猪声音分帧加窗 |
| 3.4 生猪声音特征参数提取 |
| 3.4.1 生猪声音短时能量 |
| 3.4.2 生猪声音短时过零率 |
| 3.4.3 生猪声音线性预测倒谱系数 |
| 3.4.4 生猪声音梅尔频率倒谱系数 |
| 3.4.5 生猪声音耳蜗滤波倒谱系数 |
| 3.4.6 生猪声音特征参数提取结果 |
| 3.5 生猪异常声音的改进多重支持向量数据描述识别方法 |
| 3.5.1 支持向量数据描述基本步骤 |
| 3.5.2 多重支持向量数据描述 |
| 3.5.3 改进多重支持向量数据描述 |
| 3.6 生猪异常声音识别实验结果与分析 |
| 3.6.1 生猪声音独立源分离 |
| 3.6.2 生猪声音降噪结果与分析 |
| 3.6.3 生猪异常声音识别结果与分析 |
| 3.7 本章小结 |
| 第4章 生猪饮食异常的改进PSO-SVDD判断方法 |
| 4.1 生猪饮食异常判断总体结构 |
| 4.2 基于超声波的生猪饮食数据采集装置 |
| 4.3 基于改进SVDD的生猪饮食异常判断 |
| 4.4 基于改进粒子群优化算法的SVDD参数寻优 |
| 4.4.1 粒子群算法基本原理 |
| 4.4.2 基于粒子变异的粒子群优化算法 |
| 4.5 基于改进PSO-SVDD的生猪饮食异常判断 |
| 4.5.1 样本归一化 |
| 4.5.2 构建适应度函数 |
| 4.5.3 改进PSO优化SVDD参数 |
| 4.6 实验结果与分析 |
| 4.6.1 不同参数下SVDD训练结果 |
| 4.6.2 改进SVDD决策函数前后生猪饮食异常判断结果比较 |
| 4.6.3 改进PSO优化SVDD参数结果 |
| 4.6.4 基于改进PSO-SVDD的生猪饮食异常判断结果 |
| 4.7 本章小结 |
| 第5章 生猪多源多时段异常行为的灰色证据组合模型融合评价方法 |
| 5.1 生猪异常概率计算 |
| 5.2 基于灰色证据组合模型的生猪多源多时段异常融合评价总体结构 |
| 5.3 基于灰色聚类评估模型的生猪多源异常评估 |
| 5.3.1 灰色聚类评估模型相关概念 |
| 5.3.2 构建白化权函数 |
| 5.3.3 确定指标组合权重 |
| 5.4 基于D-S证据理论的生猪多时段异常评估结果融合 |
| 5.4.1 D-S证据理论基本原理 |
| 5.4.2 D-S证据理论的改进组合规则 |
| 5.5 生猪多源多时段异常行为融合评价实例分析 |
| 5.5.1 低冲突证据融合 |
| 5.5.2 高冲突证据融合 |
| 5.6 生猪异常行为智能监测管理平台 |
| 5.6.1 用户登录 |
| 5.6.2 生猪异常行为智能监测主画面 |
| 5.6.3 生猪动作异常监测 |
| 5.6.4 生猪声音异常监测 |
| 5.6.5 生猪饮食异常监测 |
| 5.7 本章小结 |
| 第6章 结论 |
| 6.1 结论 |
| 6.2 论文创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（8）空间目标融合识别方法研究及知识库设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空间目标识别研究现状 |
| 1.2.2 目标融合识别研究现状 |
| 1.3 实验数据介绍及论文内容安排 |
| 1.3.1 实验数据介绍 |
| 1.3.2 论文内容安排 |
| 第二章 空间目标特征级融合方法研究 |
| 2.1 引言 |
| 2.2 空间目标HRRP与ISAR像特征提取 |
| 2.2.1 HRRP平移不变性特征 |
| 2.2.2 ISAR像旋转不变性特征 |
| 2.3 浅层特征融合方法 |
| 2.3.1 基于拼接的特征融合方法 |
| 2.3.2 基于线性判别分析的特征融合方法 |
| 2.3.3 基于典型相关分析特征融合方法 |
| 2.4 深层特征融合方法 |
| 2.4.1 神经网络基础知识介绍 |
| 2.4.2 传统深层特征融合方法 |
| 2.4.3 自适应加权求和方式的深层特征融合方法 |
| 2.5 结果与分析 |
| 2.5.1 实验数据介绍及参数设置 |
| 2.5.2 不同特征级融合算法识别性能分析 |
| 2.5.3 不同特征级融合算法的运算量与存储空间占用量对比 |
| 2.5.4 注意力模块权值分析 |
| 2.6 小结 |
| 第三章 空间目标决策级融合方法研究 |
| 3.1 引言 |
| 3.2 空间目标综合识别方案 |
| 3.2.1 基于高分辨回波的空间目标特征级融合识别 |
| 3.2.2 基于低分辨回波的空间目标特征级融合识别 |
| 3.2.3 基于高、低分辨回波判决向量的决策级融合空间目标识别 |
| 3.3 决策级融合识别方法 |
| 3.3.1 决策模板法 |
| 3.3.2 D-S证据理论 |
| 3.3.3 基于随机森林的决策级融合方法 |
| 3.4 结果与分析 |
| 3.4.1 实验数据介绍及参数设置 |
| 3.4.2 不同决策级融合算法识别性能分析 |
| 3.4.3 不同决策级融合算法的运算量与存储空间占用量对比 |
| 3.4.4 决策树数目对基于随机森林的决策级融合识别性能的影响 |
| 3.5 小结 |
| 第四章 空间目标知识库设计 |
| 4.1 引言 |
| 4.2 知识库设计流程 |
| 4.3 空间目标知识库设计方案 |
| 4.4 空间目标知识库软件界面及功能介绍 |
| 4.5 小结 |
| 第五章 总结与展望 |
| 5.1 全文内容总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于振动响应协方差参数和D-S证据理论的损伤识别（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 |
| 1.3 结构损伤识别方法 |
| 1.3.1 动力指纹法 |
| 1.3.2 基于模型修正法的损伤识别方法 |
| 1.3.3 基于神经网络的损伤识别方法 |
| 1.3.4 损伤识别方法的对比和总结 |
| 1.4 数据融合的相关介绍 |
| 1.4.1 数据融合的背景及其定义 |
| 1.4.2 传感器数据融合的分类 |
| 1.4.3 多传感器数据融合的结构模型 |
| 1.4.4 数据融合的一般过程及其层次 |
| 1.5 本文研究内容 |
| 第二章 D-S证据理论 |
| 2.1 D-S证据理论的形成与发展 |
| 2.2 D-S证据理论优缺点 |
| 2.3 D-S证据理论的基本概念 |
| 2.4 D-S证据理论的合成规则 |
| 2.5 基于 D-S 证据理论的数据融合 |
| 2.6 简单的融合算例 |
| 第三章 基于应变响应协方差参数和D-S证据理论的损伤识别 |
| 3.1 应变脉冲响应的协方差参数 |
| 3.1.1 公式推导 |
| 3.1.2 实验应变响应的协方差参数 |
| 3.2 损伤识别的步骤 |
| 3.3 七层框架模型及其数值模拟 |
| 3.3.1 单个损伤,不同损伤程度 |
| 3.3.2 单个损伤,相同损伤程度,但噪音不同 |
| 3.3.3 多个损伤，损伤单元的损伤程度相同 |
| 3.3.4 多个损伤，损伤单元的损伤程度不相同 |
| 3.4 本章小结 |
| 第四章 基于加速度响应不同频带协方差参数和D-S证据理论的损伤识别 |
| 4.1 加速度响应不同频带协方差参数 |
| 4.1.1 加速度脉冲响应协方差参数 |
| 4.1.2 CoI对结构参数的敏感性 |
| 4.1.3 实验加速度脉冲响应的协方差参数 |
| 4.2 损伤识别的步骤 |
| 4.3 七层框架模型及其数值模拟 |
| 4.3.1 单个损伤：第6单元刚度减少15% |
| 4.3.2 多个损伤:第45和52单元的刚度都减少15% |
| 4.3.3 其他情况的研究 |
| 4.4 本章小结 |
| 第五章 实验验证 |
| 5.1 简支钢梁实验验证 |
| 5.2 七层框架实验验证 |
| 第六章 总结展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及其他成果 |
| 致谢 |
（10）水轮发电机励磁绕组匝间短路故障特征分析与故障识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水轮发电机励磁匝间短路概述与分析 |
| 1.2.2 水轮发电机励磁绕组匝间短路故障特征研究现状 |
| 1.2.3 水轮发电机励磁绕组匝间短路故障诊断方法分析 |
| 1.3 本文研究内容 |
| 第2章 励磁绕组匝间短路故障励磁电流分析 |
| 2.1 励磁电流理论分析 |
| 2.1.1 水轮发电机匝间短路故障励磁电流 |
| 2.1.2 励磁电流反向计算理论 |
| 2.2 水轮发电机磁动势计算 |
| 2.2.1 气隙磁动势 |
| 2.2.2 定子齿部磁动势 |
| 2.2.3 定子磁轭磁动势 |
| 2.2.4 磁极磁动势 |
| 2.3 水轮发电机励磁电流计算 |
| 2.3.1 励磁电动势 |
| 2.3.2 水轮发电机饱和参数修正 |
| 2.3.3 水轮发电机标准励磁电流计算 |
| 2.3.4 水轮发电机工况验证 |
| 2.4 本章小结 |
| 第3章 励磁绕组匝间短路故障热稳态分析 |
| 3.1 同步发电机热特征计算方法 |
| 3.2 水轮发电机转子磁极三维模型 |
| 3.2.1 传热学数学模型 |
| 3.2.2 转子热应力模型 |
| 3.2.3 转子磁极物理模型 |
| 3.2.4 边界条件及相关参数确定 |
| 3.3 水轮发电机转子磁极温度场 |
| 3.3.1 正常情况下的转子温度场 |
| 3.3.2 匝间短路时的转子温度场 |
| 3.3.3 温度场在匝间短路故障诊断中应用 |
| 3.4 水轮发电机转子热应力 |
| 3.4.1 正常转子热应力 |
| 3.4.2 匝间短路转子热应力 |
| 3.5 本章小结 |
| 第4章 基于Volterra核辨识匝间短路故障识别 |
| 4.1 Volterra级数核辨识算法 |
| 4.1.1 Volterra级数基本理论 |
| 4.1.2 Volterra级数核辨识 |
| 4.2 定子分支电流谐波 |
| 4.3 Volterra核辨识匝间短路诊断方法 |
| 4.3.1 匝间短路实验 |
| 4.3.2 Volterra三阶核辨识 |
| 4.3.3 核辨识精度 |
| 4.3.4 核函数绝对平均值 |
| 4.4 本章小结 |
| 第5章 基于多源信息融合的励磁绕组匝间短路故障识别 |
| 5.1 信息融合分析 |
| 5.1.1 水轮发电机不确定分析 |
| 5.1.2 故障特征信息融合 |
| 5.2 D-S证据理论 |
| 5.2.1 D-S证据理论信息融合分析 |
| 5.2.2 证据理论的基本框架 |
| 5.2.3 多源信息融合 |
| 5.3 励磁绕组匝间短路信息融合分析 |
| 5.3.1 水轮发电机匝间短路证据体 |
| 5.3.2 匝间短路多源信息融合分析 |
| 5.3.3 信息融合实验验证 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
四、D-S证据理论在目标识别中的应用（论文参考文献）
- [1]D-S证据理论在小型空地无人集群战场目标识别中的运用[J]. 杨华,杨君刚,刘存涛,赵文栋. 指挥控制与仿真, 2021(05)
- [2]基于多源数据的DoS攻击检测方法的研究与实现[D]. 陈开元. 北京邮电大学, 2021(01)
- [3]面向多源信息融合的证据距离算法研究[D]. 程翠萍. 西南大学, 2021(01)
- [4]基于模态信息熵与两阶段信息融合的梁结构损伤诊断研究[D]. 文袁. 兰州理工大学, 2021(01)
- [5]基于D-S证据理论的空中目标敌我识别研究综述[J]. 陈致远,沈堤,余付平,陈宏阳,赵凯. 航空兵器, 2021(03)
- [6]基于云模型和改进D-S证据理论的目标识别决策方法[J]. 尹东亮,黄晓颖,吴艳杰,何有宸,谢经伟. 航空学报, 2021(12)
- [7]生猪异常行为多源监测及其信息融合方法的研究与应用[D]. 张苏楠. 太原理工大学, 2020(01)
- [8]空间目标融合识别方法研究及知识库设计[D]. 冯超. 西安电子科技大学, 2020(05)
- [9]基于振动响应协方差参数和D-S证据理论的损伤识别[D]. 叶鑫泉. 暨南大学, 2020
- [10]水轮发电机励磁绕组匝间短路故障特征分析与故障识别[D]. 王罗. 华北电力大学(北京), 2020(06)