声明
摘要
表格索引
插图索引
算法索引
第一章 绪论
1.1 研究背景和动机
1.2 国内外研究现状
1.2.1 信任函数与证据组合
1.2.2 信任函数与机器学习
1.2.3 连续信任函数
1.2.4 小结
1.3 内容与结构安排
第二章 基础知识
2.1 信任函数理论
2.1.1 常用概念
2.1.2 证据似然函数
2.1.3 证据EM算法
2.2 决策树
第三章 基于证据似然函数的数据质量衡量方法
3.1 证据似然函数与数据质量
3.1.1 方法总述
3.1.2 多项分布数据的轮廓函数性质分析
3.1.3 影响因素的定性分析
3.2 非特异性测度量化数据质量
3.2.1 证据似然函数与非特异性测度
3.2.2 方法一:基于向量距离的一致质量函数近似方法
3.2.3 方法二:基于水平集的一致质量函数近似方法
3.3 基于非特异性测度分离的数据质量衡量方法
3.3.1 非特异性测度分离方法
3.3.2 实例分析和说明
3.4 本章小结
第四章 主动信任分类树的构建
4.1 思路介绍和基本概念提出
4.1.1 主动信任分类树基本思路
4.1.2 信息熵区间的生成
4.2 属性选择和分裂策略
4.3 查询策略
4.4 停止准则和算法总述
4.5 UCI数据集实验验证
4.5.1 完全无知样本实验结果和分析
4.5.2 不精确样本实验结果和分析
4.5.3 不确定和噪声样本实验结果和分析
4.5.4 进一步实验
4.5.5 关于非特异性测度用于分类树学习的讨论
4.6 本章小结
第五章 考虑信息源可靠性的连续识别框架信息融合
5.1 连续域信息融合方法
5.1.1 连续域信任函数概述
5.1.2 考虑信息源可靠性的信息融合
5.2 有限区间焦元质量函数的距离衡量方法
5.2.1 问题设定
5.2.2 方法提出
5.2.3 数值算例分析
5.3 证据距离与折扣生成
5.4 连续域情景折扣
5.4.1 连续域标准分解
5.4.2 定义提出
5.4.3 连续域情景折扣方法
5.5 本章小结
第六章 信任回归树与信任线性模型树研究
6.1 信任回归树学习方法
6.1.1 属性选择策略
6.1.2 信任回归树整体构建流程
6.2 连续变量的证据似然函数及线性回归参数估计
6.2.1 不确定数据线性回归的问题描述
6.2.2 基于E2M算法的线性回归参数估计
6.3 信任线性模型树学习方法
6.3.1 属性选择策略
6.3.2 信任线性模型树构建流程
6.4 本章小结
第七章 结束语
7.1 主要工作与贡献
7.2 主要创新点
7.3 研究前景展望
7.4 研究心得与体会
参考文献
致谢
在读期间发表的学术论文与取得的研究成果