第1章 绪论 1
1.1 引言 1
1.1.1 D-S证据理论的优点 2
1.1.2 D-S证据理论的应用 2
1.2 D-S证据理论研究进展 2
1.2.1 Dempster-Shafer证据理论 2
1.2.2 D-S证据理论研究的现状 3
1.3 D-S证据理论存在的问题 6
1.4 本章小结 7
第2章 D-S证据理论 8
2.1 基本概念 8
2.1.1 识别框架 8
2.1.2 基本函数 8
2.1.3 四个函数之间的联系 13
2.2 D-S合成规则 14
2.3 D-S合成规则存在的问题及对策 18
2.3.1 D-S合成规则存在的问题 18
2.3.2 证据相关的处理 19
2.3.3 焦元“爆炸”的处理 22
2.3.4 基本概率赋值函数的构造 23
2.4 本章小结 24
第3章 证据冲突的处理 25
3.1 一些改进的规则 25
3.2 本书改进的证据合成规则 29
3.2.1 相关概念的引入 29
3.2.2 改进的合成规则 30
3.3 数值实验 33
3.4 本章小结 35
第4章 D-S证据理论在模糊集上的推广 36
4.1 模糊集理论基础［84］ 36
4.2 模糊集上的D-S证据理论 38
4.2.1 信度函数的扩展 40
4.2.2 基于相似度的模糊证据合成规则［83］ 41
4.2.3 本书的模糊证据理论合成规则 42
4.2.4 数值实验 44
4.3 D-S证据理论向模糊集的延伸 47
4.4 本章小结 48
第5章 D-S证据理论在粗糙集上的推广 49
5.1 粗糙集基本理论 49
5.1.1 基本概念简介 49
5.1.2 粗糙集 51
5.1.3 知识依赖 52
5.1.4 属性约简与决策规则约简 53
5.2 粗糙集上的D-S证据理论 54
5.2.1 对象的进一步划分 55
5.2.2 决策属性转换及证据信息的获取 58
5.3 本章小结 59
第6章 D-S证据理论在煤与瓦斯突出危险性预测上的应用 60
6.1 煤与瓦斯突出 60
6.2 煤与瓦斯突出机理 61
6.3 煤与瓦斯突出预测方法 62
6.3.1 单项指标法 62
6.3.2 综合指标D和K法 63
6.3.3 地质指标法 64
6.3.4 地质统计法 64
6.3.5 无线电波透视探测法 65
6.3.6 钻屑指标法 65
6.3.7 钻孔瓦斯涌出初速度法 66
6.3.8 神经网络预测法 66
6.4 BP神经网络基本原理 67
6.5 D-S证据理论在煤与瓦斯突出危险性预测上的应用 68
6.6 本章小结 73
第7章 D-S证据理论在矿井主通风机故障诊断决策上的应用 74
7.1 矿井通风机 74
7.2 矿井通风机常见故障振动特性分析 75
7.3 基于D-S证据理论的矿井主通风机故障诊断融合结构 80
7.3.1 主通风机故障诊断决策融合模型的建立 80
7.3.2 故障融合诊断的基本步骤 81
7.4 矿井主通风机故障诊断融合结果分析 82
7.4.1 故障识别框架的构成 82
7.4.2 融合证据的选择 83
7.4.3 证据的基本概率赋值函数的构造 86
7.4.4 融合决策规则与分析 89
7.5 本章小结 90
参考文献 91