一、基于云模型的不确定性知识表示（论文文献综述）
黄金[1]（2021）在《基于云模型的云南省经营性农房安全风险评估方法构建与应用 ——以砖混结构为例》文中提出随着农村地区生活水平的不断提高,农村居民为提高自身生活质量和居住环境,农村地区自建、改造农房成为普遍现象,大部分农房使用性质也从自用农房变成具有公共性、聚集性的经营性农房。最近几年经营性农房安全事故大量发生,存在频发的势头,严重威胁到农村地区居民的生命和财产安全。研究课题来源于云南省住房与城乡建设厅开展的经营性农房安全风险评估课题研究工作。针对传统农房安全风险评估中普遍采用专家“经验评估法”实现定性评估的缺点,对云南省经营性农房安全风险展开研究,旨在建立一种快速、准确且具有针对性的经营性农房安全风险定量评估方法和模型。论文主要开展以下工作:（1）通过查找和阅读大量国内外关于民用建筑安全性评估的文献,总结目前在民用建筑安全性评估中几种比较常用的风险评估方法,并对这几种风险评估方法的优缺点进行分析,选择一种在云南省经营性农房安全风险评估中实用性较好的定量评估方法。（2）针对经营性农房安全风险的不确定性,本文将经营性农房的安全风险作为一个不确定性的复杂系统,基于风险理论,总结和归纳了目前云南省经营性农房存在的安全风险及风险因素,并以云南省普遍且典型的经营性砖混结构农房为例,构建云南省经营性砖混结构农房安全风险评估指标体系。（3）基于传统模糊综合评估法在不确定性系统风险评估中能实现定量评估的优势,利用模糊综合评估法,构建云南省经营性砖混结构农房安全风险定量评估模型,并进行实例应用,验证该定量评估模型在经营性砖混结构农房安全风险评估中的可行性,并对该评估模型还存在的不足之处进行分析和总结。（4）利用云模型对传统模糊综合评估法构建的定量评估模型进行改进,进行实例应用和分析,并与传统模糊综合评估法构建的定量评估模型所得到的评估结果进行对比和分析,证明基于云模型改进后的定量评估模型更具科学性和合理性。最后依据不同使用性质经营性农房发生安全事故后的严重程度不同,提出一种基于危险系数修正的定量评估模型。
陈海兰[2]（2021）在《面向聚类及预测的时间序列信息粒化方法研究》文中指出随着信息技术的发展,经济管理领域中产生并存储着大量的时间序列数据,运用数据挖掘算法可以挖掘出数据中潜在的、有价值的知识和信息以支持管理和决策活动。但这些时间序列数据通常都具有显着的高维性特征,若对其直接运用数据挖掘算法,会造成过高的计算复杂度,且数据挖掘结果也会受到影响。粒计算是一种模拟人类求解问题思维和解决大数据复杂任务的新方法,该理论的主要思想是将复杂问题抽象、划分转化为若干较为简单的问题（即粒化）,从而有助于更好的分析和解决问题。本文将粒计算的粒化思想引入时间序列分析中,通过对时间序列进行信息粒化,将原始高维时间序列粒化为低维粒时间序列,构造的信息粒能够刻画和反映原始时间序列数据的结构特征,从而实现高效降维,为后续的数据挖掘工作奠定基础。本文针对时间序列的信息粒化问题,从时间轴和论域两个方面提出了三种不同的时间序列信息粒化方法:基于波动点的时间序列时间轴信息粒化方法、基于云模型的时间序列时间轴信息粒化方法和基于论域信息粒化的模糊时间序列预测方法,并应用于股票时间序列数据进行聚类和预测分析,为股票的投资选股问题及涨跌趋势的判断问题提供决策建议。主要研究内容和创新性研究成果如下:（1）在时间序列的时间轴方面,针对低频时间序列的结构特征,提出了基于波动点的时间序列信息粒化方法及粒时间序列相似性度量方法。首先,提出了基于波动点的时间序列信息粒化方法,通过识别波动点对原始时间序列进行信息粒划分,进而使用线性函数对划分后的信息粒进行描述得到粒时间序列,解决了传统时间序列降维方法中对于时间轴的硬划分问题,在降维的同时能更有效地提取时间序列的结构特征。其次,针对粒时间序列提出了相应的相似性度量方法。最后,在标准数据集上进行了聚类实验,实验结果表明运用所提出的信息粒化方法和相似性度量方法能够提高聚类结果的准确性;并在科创板股票数据集上进行了算法的实际应用研究,研究结果可以给投资者在科创板股票市场选股时提供参考。（2）在时间序列的时间轴方面,针对高频时间序列的结构特征,提出了基于云模型的时间序列信息粒化方法及粒时间序列相似性度量方法。首先,提出了基于云模型的时间序列信息粒化方法,在不需要事先指定信息粒划分个数的情况下,可以自适应地将时间序列粒化表示为若干个正态云,该方法针对高频时间序列具有更好的降维效果。其次,针对粒化后的云模型序列提出了相应的相似性度量方法。最后,在具有高频特征的标准数据集上进行了聚类实验,实验结果表明运用所提出的信息粒化方法和相似性度量方法能够提高聚类结果的准确性;并在具有高频震荡特征的沪深A股股票数据集上进行了算法的实际应用研究,研究结果可以给投资者在A股市场上选股投资时提供参考。（3）在时间序列的论域方面,提出了基于模糊C均值聚类和信息粒化的时间序列论域划分方法,并基于论域划分结果提出了时间序列预测方法。首先,运用模糊C均值聚类方法对时间序列的论域进行初始划分,然后提出了基于信息粒化的论域划分优化算法,该方法将聚类算法和信息粒化方法相结合来划分论域,提高了样本数据划分的准确性和可解释性。其次,针对时间序列信息粒化后的论域划分结果,给出了时间序列的模糊预测方法,该方法将精确的时间序列数据转化为符合人类认知形态的语义值构成的时间序列,通过对这些语义值构建模糊逻辑关系来描述时间序列的动态演变过程,得到其模糊变化规则并进行预测,提高了预测结果的可理解性。最后,在台湾加权股价指数（TAIEX）数据集上进行了预测实验,实验结果表明运用所提出的时间序列信息粒化方法进行时间序列预测能够提高预测结果的准确性;并在上海证券综合指数（SHCI）数据集上进行了算法的实际应用研究,研究结果可以帮助投资者了解未来股票市场的走向,为其调整投资策略时提供参考。
赵竞天[3]（2020）在《基于不确定规则推理的铁路电务维修知识服务方法研究》文中进行了进一步梳理铁路作为现代综合运输体系的骨干力量,是国家的重要基础设施和经济命脉。近年来,随着我国铁路现代化和跨越式发展进程的不断推进,列车速度随之提高,运营范围不断扩大,对安全的要求也愈加严格,而信号设备作为保障铁路运输安全,提高运输效率的关键,保证其运行的安全性及可靠性显得尤为重要。目前,电务维修还是以现场人员按照维修计划维护设备为主要模式,面临着管辖设备种类复杂,难以快速准确获取有效知识资源等方面问题。因此,如何使电务知识资源更好地为电务维护工作提供服务,提高铁路电务生产、维护、管理等业务的效率,实现电务维护的信息化、综合化与智能化,成为了铁路电务部门急需解决的问题。本文以铁路电务维修的知识服务方法为主要研究内容,构造了一种以业务过程和知识需求为驱动的集人、过程、知识为一体的知识主动推送服务。在此基础上提出知识服务的多维多条件云映射不确定规则推理方法,从而实现电务维修作业复杂问题决策的按需推送。首先,在介绍了电务部门的组织结构和主要工作的基础上,分析了电务设备维护的领域知识范围,分别从企业知识节点和联盟知识节点层面对知识网络进行描述,将维修知识与维修业务进行集成,构建了电务设备维护知识网络模型,实现面向维修业务的电务知识资源管理。其次,在形成的知识网络的基础上,设计了基于业务过程的知识主动推送服务架构。通过对电务设备维护工作流程的分析,利用基于活动网络的过程建模方法对电务设备维护的工作过程进行模型设计,结合基于相似度算法的知识匹配方法,实现基于业务过程和知识流的知识主动推送。然后,鉴于维修人员遇到复杂故障无法解决的情况,建立了基于不确定规则推理的铁路信号设备维修决策模型。选用云模型将信号设备规则库中的不确定性知识进行定量描述,通过构造的多维多规则云发生器算法实现不确定性推理过程,得到设备故障模式,从而对应维修意见输出维修方案。并以25Hz相敏轨道电路为例验证了算法的有效性。最后,基于上述电务知识服务关键技术的研究,完成了铁路电务维修辅助决策原型系统的设计与开发,验证了本文设计的模型与方法的有效性与可行性。
赵晨蕾[4]（2020）在《基于云模型的模糊神经网络算法研究》文中研究指明模糊神经网络能够有效地处理非线性、模糊性等问题,在智能信息处理方面发挥着巨大的作用,传统的模糊神经网络算法具有传统神经网络的学习能力,并在数据挖掘中可兼顾数据的模糊性,但存在着隶属函数需根据专家经验人为确定、无法处理数据的随机性等问题,并且无法实现定量数据与定性概念的双向转换,在数据处理和算法运行过程中容易造成数据不确定性的丢失。云理论在处理不确定性方面具有极大的优势,通过三个数字特征、确定度及不确定性云发生器实现对数据随机性和模糊性的统一处理,并保证不确定性的传递,更加适合对不确定概念的表达。现有的云神经网络模型在处理大数据集时容易发生“规则灾难”。因此,在模糊神经网络中引入云模型,通过云模型对不确定性的处理能力,在兼顾数据的模糊性和随机性的同时,保证算法的时效性和准确率。为了解决隶属函数确定过程中需要经验和人为因素影响较大的问题,本文将云模型的确定度引入模糊神经网络,代替隶属度,通过每次随机取值,避免了人为确定和专家经验的影响。针对不同类型的数据集,提出使用高斯拟合或模糊聚类的方法确定云的数字特征,以提高云模型计算的准确率;将云发生器与神经元结合,构造不确定性神经元,实现数据不确定性的传递。由于云模型在产生规则时,受数据维度和数据量的影响较大,多维数据产生的规则数量呈指数级增长,提出使用格论对云规则进行上下确界,将相似云规则合并为某一区间的云规则,达到提高算法效率的目的。模糊神经网络需要通过误差传播实现初值调整,初值的确定影响误差迭代的次数,提出将云模型的期望Ex、熵En代替传统的0和1,降低迭代次数,同时避免出现局部最优解。在构建云模糊神经网络模型的基础上,采用上述方法进行实验对比分析,通过UCI数据集与工程实例进行实验,与传统的云模型、模糊神经网络、BP神经网络进行对比,分析算法的运行效率、准确率及规则数量。通过实验对比分析,云模糊神经网络可以充分考虑到数据的随机性和模糊性,优化了云规则的产生,避免了多维规则灾难,保证了算法的运行效率;相对于传统技术算法的准确率有所提高,并适用于多种数据集。
唐镇[5]（2020）在《基于云模型与集对联系数的区域水资源承载力评价分析》文中研究表明区域水资源承载力研究包括承载状况评价、脆弱性指标识别、调控和时空演变分析等内容,在以集对分析为主的水资源承载力研究方法中,各专家学者由于集对模型的建立思路和侧重各不相同,所建立的集对体系和标准集也不尽相同。为了在研究区域水资源承载状况的同时考虑到上述不确定性因素,论文在将区域水资源承载力指标体系划分为水资源承载支撑力、压力和调控力三个子系统的基础上,引入云模型分别改进其评价标准集对和指标联系数,并对区域水资源承载力进行评价,推求评价结果分布特征,利用云模型和减法集对势、效应全偏联系数进行脆弱性指标识别与调控。将上述思路应用于安徽省2005～2015年和其地级市2011～2015年水资源承载力研究,取得如下结果:（1）基于云模型与集对分析耦合的区域水资源承载力评价模型,以量化评价标准的不确定性为思路,将区域水资源承载力的评价标准集对改进为限制取值范围的评价标准集对云,并结合联系数计算公式,对安徽省历年水资源承载力单指标和综合指标进行评价和分析,再利用减法集对势识别脆弱性指标。结果表明,安徽省水资源2005～2015年承载状况大致呈波动改善趋势,但总体承载状况仍较差,其脆弱性指标主要集中在水资源承载支撑力子系统。（2）基于云模型与集对分析模型的随机模拟算法,对区域水资源评价标准集对进行限制取值范围内的随机模拟,并以此计算安徽省各地级市2011～2015年各指标联系数,进而得出多次模拟下的安徽省各地级市水资源承载力等级识别结果和级别特征值均值。继续利用更为收敛的效应全偏联系数对各地级市脆弱性指标进行动态识别,并结合云模型分布特点求出脆弱性指标的调控范围。结果表明,皖北历年均为超载且无明显改善,皖中大部分历年为超载至临界超载但有所改善,皖南大部分历年为临界超载至可载且有所改善,水资源承载状况自北向南逐渐好转,皖北为引起安徽省水资源承载状况负向发展的主要原因。（3）基于联系数云的区域水资源承载力综合评价,对评价指标联系数的构成利用云模型改进为联系数云模型,并应用此模型对安徽省2005～2015年水资源承载力进行评价。结果表明,相较于云模型耦合集对分析模型和集对分析模型计算结果,联系数云模型计算结果与其类似,但承载状态历年变化趋势更为平缓。将以上3类模型应用于安徽省水资源承载力研究时均取得了理想效果,并且能够在得出类似传统集对分析的直观结果同时,进一步分析此结果的可靠性和得出其他结果的可能性,为解决区域水资源承载力问题提供更为灵活的决策依据。
王佟童[6]（2020）在《基于云理论的土石坝坝料参数反演研究》文中提出随着我国西部大开发和西电东送战略的实施,我国土石坝修建的数量逐年增多,目前我国已建成水库中95%以上为土石坝,土石坝已经发展成一种常见的坝型。但是,土石坝在建设或运行过程中,不可避免的会出现坝基变形,坝体沉降、失稳等威胁大坝安全的问题,严重的还会使得大坝失事。由此可见,土石坝的变形已成为保证土石坝设计、施工及安全运行亟待解决的重要问题,因此及时做好大坝的安全诊断与分析工作是十分必要的,而对土石坝进行变形分析是大坝进行安全诊断与分析工作的基础,也是重要途径。土石坝本构模型参数的准确性估计是实现土石坝变形精准分析的前提,然而大坝建成后的坝料本构模型参数由于施工过程中多种不确定因素的影响已经不再是真实的模型参数,在进行参数计算时就应充分考虑土石坝系统的不确定性对本构模型参数的影响。本文通过三轴剪切试验确定本构模型参数,从而研究土石坝坝料变形,但是试验所运用的试件由于不确定性因素的影响,使得坝料物理性质受到影响,以及在试验过程中各种不确定性因素的影响,使得试验所测得的本构模型参数与实际工程相比具有一定的偏差,这将会直接影响大坝变形分析的精准度。因此,为了得到尽可能真实反映土体特性且符合实际工程的本构模型参数,本文将处理不确定性问题具有明显优势的云理论引入本构模型参数反演研究中,主要成果如下:（1）根据邓肯-张E-v模型基本原理,通过三轴剪切试验基本数据计算邓肯-张E-v模型参数,并依据实际工程确定待反演的参数。（2）假定邓肯-张E-v模型参数泛正态云分布,根据所计算的参数取值范围确定其云数字区间指标,运用云理论基本知识与有限元耦合正分析,以云数字区间指标为参照构造坝料轴向变形、侧向变形与E-v模型参数的训练样本;运用多条件多规则云发生器进行土石坝坝料轴向变形、侧向变形与后件E-v模型参数的非线性映射训练,从而建立起不确定性云推理模型进行邓肯-张模型参数反演计算。（3）将依据三轴剪切试验成果计算出的邓肯-张E-v模型参数带入有限元正分析中计算出试件的轴向变形、侧向变形,并与实测轴向变形、侧向变形进行对比,结论显示此算法可以很好地反演邓肯-张E-v模型参数,反演结果具有较高的精度。
赵宇红[7]（2019）在《复杂网络智能拥塞控制研究》文中提出面向复杂、多样、异构的网络,稳定、高效、智能的拥塞控制的研究是一个重要且具有挑战性的课题。论文在大系统控制论的指导下,结合智能建模方法,研究并构建了“基于多重广义算子的复杂网络”模型,进而,以多重广义算子模型为基础,以分解-联合模式,从横向及纵向、多粒度、多角度展开了复杂网络智能拥塞控制研究的科研工作。论文的主要研究工作:网络技术的发展、应用的深入、用户的普及多方面不断的融合促进,带来了多元、异构、混合的复杂网络时代。复杂网络的复杂概括了网络在技术、结构、数据等多方面的特性,我们从两种代表性的复杂网络系统,端到端系统及非端到端系统展开了关于智能拥塞控制的研究。网络作为一个复杂的大系统,拥塞控制的研究无论是在网络源端、链路还是在自主移动节点的路由策略方面的工作,都不是一个独立自治的过程,各对象、各过程之间应该是一个协作的整体,达到协同智能、控制优化的目标。论文的主要研究内容和创新点如下:（1）研究了多重广义算子模型的建模方法,定义了“多层广义算子复杂网络模型”的概念,根据大系统控制论的“广义模型化”的思想,基于“多重广义算子建模方法”,论述了复杂网络广义算子模型构建的约束条件,给出了复杂网络多重广义算子模型的架构。为解决模型构建中的随机性与模糊性,借鉴“云模型”的思想和方法,提出了基于云模型的模型评价方法,应用于Internet建模评价中,并给出了具体的评价过程,验证了方法的有效性及合理性。（2）分析讨论了现有TCP源端拥塞控制算法在高误码率、低带宽、非对称链路、长时延的混合异构复杂网络中,面临的挑战和性能下降的问题,深入分析算法在参数及负载的敏感性、未区分拥塞程度和丢包类型等局限性问题,提出基于带宽预估自适应源端拥塞控制方法,算法针对不同网络状况能够对链路带宽及其波动性进行较为实时和准确的估计,实现了网络传输中对于丢包、延迟和拥塞控制参数等关键指标一定程度上的解耦;通过反映网络拥塞状态的带宽利用率因子细化了控制方案,实时有效、适度地进行网络拥塞控制。实验结果表明,该方法能针对不同网络状况进行实时拥塞控制,吞吐量、丢包容忍和延迟等相比已有的拥塞控制算法有显着提升。（3）讨论了链路级拥塞控制的重要性,并针对传统的链路控制算法RED中队列长度与丢包设置的线性增长关系所造成的性能不稳定问题,以及算法变量参数的优化问题,提出了基于隶属云理论的非线性链路拥塞控制算法,利用半升云隶属模型,重点解决了丢包率函数非线性处理和参数自适应动态设定问题。仿真对比实验结果表明,算法在丢包率、平均队列长度、时延抖动、吞吐量方面的性能均有比较好的表现,而且对RED算法存在的全局同步现象也有一定的改善。（4）不存在完整链路的复杂网络系统的应用与关注正在不断地扩展,以机会网络为典型的研究对象,从路由策略设计的角度研究其拥塞控制算法。结合深度学习模型进行社会属性挖掘,借鉴和扩展社会网络的研究成果,基于社会感知,将节点的社会属性及社会关联引入到路由决策中,提出了基于节点关系和社区协作的机会网络路由算法,算法不仅结合了节点的社会属性并充分考虑了社会性的动态演化特征,根据节点间的社会关系强度动态自适应地将节点分割为多个社区,以节点社会属性与社区间协作共同完成机会路由转发。仿真结果表明,算法能够有效提高消息的投递率,降低网络的转发时延,减小网络资源的耗费。
张萌[8]（2019）在《基于云模型和多准则群决策方法的城市更新项目改造方案决策研究》文中研究表明城市更新涉及多方利益主体、多维准则指标和多个更新方案。多元利益群体之间存在复杂的利益关系,部分利益相关者的意见诉求难以得到正当表达,决策个体自身知识的局限性和思维本身的不精确性,都会导致决策的不确定性。鉴于此,传统的城市更新项目改造方案决策的方法与理论不再适用。本文使用云模型及多准则群决策的理论与方法,构建城市更新项目改造方案的决策指标体系与模型,全面反映利益群体的诉求。本研究的主要内容包括:首先,界定城市更新、多准则群决策、云模型和云模型基础相互运算的相关概念,为后续城市更新项目改造方案的决策指标体系与模型算法构建奠定基础。此外,梳理与剖析了治理理论、城市治理理论、利益相关者理论、可持续发展理论,并分析其对城市更新项目改造方案决策的指导意义,为论文后续的研究打下基础。其次,识别城市更新项目改造方案的决策准则指标。本研究在相关文献研究基础上,对城市更新项目改造方案的决策评价指标进行归纳与整理,形成指标初选。通过专家访谈法对准则指标进行修正,优化决策指标体系,并明确准则指标的结构及含义。最终构建的城市更新项目改造方案的决策指标体系包括建筑本体状况、经济效益、社会配套、生态环境、历史文化5个维度20个二级指标。然后,构建城市更新项目改造方案的决策指标体系与模型。利用云模型对模糊定性的语言信息进行精确化与数据化,结合DEMATEL方法计算准则指标权重,再在大群体决策者范围内进行云聚类,依据聚集簇的不确定度、偏差度和规模权重确定各聚集簇权重,即决策者权重。通过决策者权重与准则指标权重集结偏好信息,得到决策结果,实现方案综合排序。在此基础上,阐述算法的具体步骤和计算机程序结构。最后是实证研究。选取重庆市朝天门片区城市更新项目作为研究案例,通过调查问卷获取原始数据,借助语言尺度函数对决策信息进行云转化,在算法分析下,计算各个准则的客观权重和决策者权重,从而对朝天门片区城市更新项目的方案进行排序。计算结果与实际结果相一致,验证了云模型多准则大群体决策算法用于城市更新项目的合理性和可行性。并进行结果讨论,分析了该计算方法相比传统决策方法的优势。
吕军[9]（2019）在《基于云模型的洪涝灾害风险评价与风险管理研究 ——以巢湖流域为例》文中提出洪涝灾害伴随着人类的历史一直存在,已经成为人类生存与发展的重要威胁。洪涝灾害风险评价能让人们了解灾害可能带来的损失概率及分布,为相关防灾减灾政策制定提供理论依据。然而风险评价是一项复杂的系统工作,评价因子众多且过程复杂,个别定性评价因子还会遇到难以准确量化的问题,需要采用新的理论方法加以解决。巢湖流域历史上是洪涝灾害高发的地区,如今又是国务院批准设立皖江城市带的核心区域,急需对该流域的洪涝灾害分布进行研究,提出针对性的防灾救灾对策。本文从洪涝灾害风险评估过程入手,采取理论分析与计算机仿真相结合,利用ArcGIS、Matlab以及数据分析软件等,对巢湖流域洪涝灾害风险进行全方位的评价与管理。针对洪涝灾害风险评价过程中存在随机性和模糊性的情况,本研究引入了随机数学和模糊数学基础上发展起来的定性定量转换模型——云模型理论,利用其表达事物不确定性和快速解决定性定量数据转换问题的优势,对洪涝灾害风险评估环节进行改进和优化,建立了基于云模型理论的区域洪涝灾害风险评价综合评估模型。主要体现在以下三个方面:（1）洪涝灾害风险评价中定性定量转换方法常忽视定性概念自身不确定性,直接用“硬”边界划分评价区间,容易产生误差。本研究将一维云模型扩展至二维和多维空间,通过构建条件云、评语云和云推理规则,对地形危险性评价算法进行改进,将原有方法中定性概念的量化边界柔化,克服原方法刻画事物模糊性和随机性的不足,为洪涝灾害风险多要素评价提供了新的方法和途径。地形危险性分析研究表明,沿江和环湖区域的和县、无为以及巢湖市地处江湖的冲积平原,汛期受长江和巢湖洪水共同影响,危险性最高;合肥市、肥西县的东南部、舒城县东部以及庐江县位于低山丘陵与冲积平原之间的岗冲地,地形有一定起伏,危险性次之;肥东县、舒城县中部及肥西县大部分地区属低山丘陵地区,平均海拔在50m左右,地形起伏明显,危险性中等;舒城县西南部的大别山区以及巢湖市和含山县的部分山地,平均海拔在400m以上,地形变化较大,地形危险性相对较低。（2）局部区域历史降水通常会呈现准周期性规律,同时也具有一定的持续稳定性。本研究将云模型理论引入降水模拟预测研究,借助最大熵谱分析方法获取降水准周期,并用云模型方法生成历史云和趋势云并建立规律云降水预测模型,取得较好的预测效果,为洪涝灾害风险降水预测提供新的研究方法。研究表明,除肥西、无为和含山模拟值有一些误差外,其余市县依据规律云生成的降水模拟值与实际相一致,平均误差为14.43%,远优于BP神经网络模拟结果。从规律云生成结果分布看,流域南部和东南部的庐江、无为与和县的降水期望值较高,表明它们未来降水量可能值要高于其他市县。同时,无为、巢湖和肥西三县的熵较高,表明这些地区降水量的不确定性较大,汛期出现大的降水可能性相对较高。（3）层次分析法是洪涝灾害风险评价模型指标权重确立的主要方法,但无法体现客观世界的模糊性和随机性。本研究在层次分析法基础上,构建出一种基于云模型的洪涝灾害风险评价指标体系确立方法（Cloud-AHP）,用云标度代替原有的数字标度,建立云判断矩阵进行分析,既合理包含客观世界的不确定性,又能快速有效地集结多位专家的决策判断,使洪涝灾害风险指标体系权重的确定更加客观准确。在洪涝灾害风险指数模型的框架下,汇总了国内外洪涝灾害风险评价文献中近50种风险评价指标,采用德尔菲法并结合巢湖流域实际情况选取了危险性、暴露性、脆弱性三个大类,降水、地形、水系、经济、人口、土地六个子类共21个评价指标,运用Cloud-AHP方法分别计算出每一层次的云判断矩阵和重要度云向量,进行一致性检验后得到每一项指标的权重,完成洪涝灾害风险系统的建模。利用GIS空间分析工具对巢湖流域洪涝灾害所有指标进行逐一分析并叠加后,得到巢湖流域洪灾风险分布图。从分布形状看,风险高值地区呈现较明显的左半包围态势,大致为英文字母“C”形状,也即围绕流域中心巢湖湖体的流域北部、西部和南部的地区风险相对较高,而巢湖以东的区域以及流域西南大别山区风险较低。具体说来,紧邻长江的无为县中部和南部以及庐江县南部是整个流域风险最高的区域,流域北部的肥西县南部和合肥市的包河区暴露性和脆弱性较高,也属于风险较高区域;舒城县中部和北部、庐江县北部、肥东县西部和肥西县的大部分地区处于中等偏上的风险水平;舒城县西南部以及巢湖和含山的部分山区灾害风险相对较低。最后,根据巢湖流域洪灾风险评价结果将流域12个县区划分成高、中、低三个风险等级,结合风险等级和实际情况提出管理策略。对于沿江的无为、庐江和北部的肥西、合肥包河区这些高风险区,建议发挥灾害风险区划作用,加强中小河流的整治与管理,促进大中水库的达标并发挥其调蓄洪水的能力,建立灾害监测与警报服务系统,加强洪涝灾害的预测和预警工作;对于西南部的舒城和中部的肥东县、巢湖市、蜀山区以及东部的和县等中等风险区,建议重点加强应急反应能力,健全洪水应急管理体制,加大洪涝灾害的宣传教育。而对于含山与合肥市的庐阳区和瑶海区等低风险区,应当重点提高城镇的防内涝能力,在兴建防洪设施的同时注重生态环境的保护,并且加强洪涝灾害的综合监测,预防次生和衍生灾害的发生。
唐静[10]（2019）在《基于云模型的五通桥区土地综合承载力评价》文中研究表明土地综合承载力评价是国家出台土地调控政策、编制国土规划等的重要依据。针对传统综合评价方法主观性和随意性较大的问题,通过引入云模型,应用于五通桥区土地综合承载力评价中,构建基于云模型的土地综合承载力评价模型,为土地综合承载力评价提供一种新的思路和方法。本次研究首先从土地综合承载力相关概念和理论入手,结合五通桥区概况及土地资源利用现状,从水土资源承载力、生态环境承载力、社会承载力和经济承载力四个方面选取21个评价指标建立五通桥区土地综合承载力评价指标体系;其次,根据评价等级的标准区间和相关文献的计算规则,计算得到了各评价等级对应的云模型的3个数字特征:期望、熵和超熵（Ex、En和He）,构建了基于云模型的五通桥区土地综合承载力评价模型;然后由正向云发生器求取20112015年五通桥区各评价指标隶属各评价等级的隶属度,运用熵权法确定权重;最后加权确定综合模糊隶属度矩阵,得到20112015年五通桥区土地综合承载力评价结果。并将结果与投影寻踪评价模型的结果进行对比。评价结果显示:（1）云模型结果和投影寻踪评价模型结果基本一致,结合实地调查和专家意见,验证了基于云模型的土地综合承载力评价模型的可信性和适用性。（2）根据最大隶属度原则,2011年五通桥区土地综合承载力属于Ⅱ级,即低承载,20122015年土地综合承载力均属于Ⅲ级,即中级承载。说明五通桥区近年来土地综合承载力比较稳定且维持在中级水平,土地综合承载力接近于满足社会可持续发展的需求,但仍然具有一定的开发潜力。（3）五通桥区较低的年末城镇登记失业率,较好的森林覆盖率以及逐年提高的工业固体废物综合利用率等都有利于土地综合承载力的提高;但快速发展的城镇化,较低的人均耕地面积和逐年下降的建成区绿化覆盖率等也给土地综合承载力带来了一定的压力。在分析综合评价结果的基础上,提出提高五通桥区土地综合承载力的对策建议,以期更好的为国土资源管理和经济社会发展服务。本文将云模型引入到土地综合承载力评价中,开展基于云模型的五通桥区土地综合承载力评价,既为土地综合承载力评价提供一种新的思路和方法,其评价结果也为提高五通桥区区域土地综合承载力提供了科学依据和理论支撑。
二、基于云模型的不确定性知识表示（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、基于云模型的不确定性知识表示（论文提纲范文）
（1）基于云模型的云南省经营性农房安全风险评估方法构建与应用 ——以砖混结构为例（论文提纲范文）
| 摘要 |
| ABSTACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 民用建筑安全性评估研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 民用建筑安全风险评估方法 |
| 1.4 模糊综合评估法研究现状 |
| 1.5 研究内容和技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 技术路线 |
| 第二章 云南省经营性农房安全风险分析及评估指标体系建立 |
| 2.1 经营性农房概念 |
| 2.2 风险理论 |
| 2.3 经营性农房风险分析 |
| 2.3.1 经营性农房事故典型案例风险分析 |
| 2.3.2 云南省经营性农房风险调研 |
| 2.3.3 云南省经营性农房风险原因 |
| 2.4 云南省经营性砖混结构农房安全风险评估指标体系 |
| 2.4.1 选取原则 |
| 2.4.2 评估指标选取 |
| 2.4.3 评估指标集 |
| 2.4.4 评估指标体系 |
| 2.5 云南省经营性砖混结构农房安全风险等级 |
| 2.5.1 安全风险等级划分 |
| 2.5.2 安全风险等级评估标准 |
| 2.6 本章小结 |
| 第三章 基于模糊综合评估法的云南省经营性砖混结构农房安全风险评估 |
| 3.1 基本原理 |
| 3.1.1 模糊集合与模糊关系 |
| 3.1.2 隶属函数 |
| 3.2 模糊综合评估的实现方法 |
| 3.3 评估模型 |
| 3.4 实例应用 |
| 3.4.1 工程背景 |
| 3.4.2 模糊概念量化 |
| 3.4.3 构造隶属函数 |
| 3.4.4 指标权重 |
| 3.4.5 指标评估值 |
| 3.4.6 结果分析 |
| 3.5 模糊综合评估法存在的不足 |
| 3.6 本章小结 |
| 第四章 云模型改进的云南省经营性砖混结构农房安全风险评估 |
| 4.1 云模型介绍 |
| 4.1.1 云模型基本概念 |
| 4.1.2 云模型数字特征 |
| 4.1.3 云模型发生器 |
| 4.1.4 云模型四则运算法则 |
| 4.2 云模型优势 |
| 4.3 云模型改进的评估模型 |
| 4.4 实例应用 |
| 4.4.1 隶属函数云模型 |
| 4.4.2 权重云模型 |
| 4.4.3 结果确定 |
| 4.5 评估结果对比分析 |
| 4.6 评估结果修正 |
| 4.7 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A (攻读硕士期间取得成果) |
| 附录B (云南省经营性农房安全隐患调查表) |
| 附录C (砖混结构经营性农房评估指标权重打分表) |
| 附录D (云模型matlab计算代码) |
（2）面向聚类及预测的时间序列信息粒化方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 论文框架与研究内容 |
| 1.4 研究创新点 |
| 2 理论基础与文献综述 |
| 2.1 时间序列分析 |
| 2.1.1 时间序列及其结构特征 |
| 2.1.2 时间序列的降维表示方法 |
| 2.1.3 时间序列的相似性度量方法 |
| 2.1.4 时间序列的数据挖掘任务 |
| 2.2 粒计算 |
| 2.2.1 粒计算的基本组成 |
| 2.2.2 粒计算的基本问题 |
| 2.2.3 粒计算的理论模型 |
| 2.3 时间序列信息粒化 |
| 2.3.1 时间序列信息粒化的时间轴信息粒化方法 |
| 2.3.2 时间序列信息粒化的论域信息粒化方法 |
| 2.3.3 已有研究的不足 |
| 2.4 本章小结 |
| 3 基于波动点的时间序列时间轴信息粒化方法 |
| 3.1 本章研究思路 |
| 3.2 基于波动点的时间序列信息粒化 |
| 3.2.1 信息粒划分方法 |
| 3.2.2 信息粒描述方法 |
| 3.3 基于线性信息粒化的时间序列相似性度量 |
| 3.3.1 线性信息粒匹配 |
| 3.3.2 线性信息粒的相似性度量 |
| 3.4 实验及结果分析 |
| 3.4.1 UCR标准数据集实验 |
| 3.4.2 科创板股票数据集实验 |
| 3.5 本章小结 |
| 4 基于云模型的时间序列时间轴信息粒化方法 |
| 4.1 本章研究思路 |
| 4.2 基于云模型的时间序列信息粒化 |
| 4.2.1 云模型理论 |
| 4.2.2 基于云模型的自适应信息粒化算法 |
| 4.3 基于云模型信息粒化的时间序列相似性度量 |
| 4.3.1 云模型匹配 |
| 4.3.2 基于期望曲线的云模型相似性度量 |
| 4.4 实验及结果分析 |
| 4.4.1 UCR标准数据集实验 |
| 4.4.2 沪深A股股票数据集实验 |
| 4.5 本章小结 |
| 5 基于论域信息粒化的模糊时间序列预测方法 |
| 5.1 本章研究思路 |
| 5.2 基于模糊C均值聚类和信息粒化的时间序列论域划分 |
| 5.2.1 基于模糊C均值聚类的时间序列论域初始划分 |
| 5.2.2 基于模糊信息粒化的时间序列论域划分优化算法 |
| 5.3 基于论域信息粒化的时间序列预测 |
| 5.3.1 模糊时间序列 |
| 5.3.2 基于模糊逻辑关系的时间序列预测方法 |
| 5.4 实验及结果分析 |
| 5.4.1 台湾加权股价指数(TAIEX)数据集实验 |
| 5.4.2 上海证券综合指数(SHCI)数据集实验 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（3）基于不确定规则推理的铁路电务维修知识服务方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 铁路电务设备维护系统研究现状 |
| 1.2.2 知识服务研究现状 |
| 1.3 主要研究内容 |
| 2 电务设备维护知识网络模型 |
| 2.1 电务设备维护相关概念 |
| 2.1.1 电务部门组织结构 |
| 2.1.2 电务设备维护的主要工作 |
| 2.2 电务设备维护知识网络 |
| 2.2.1 电务设备维护知识网络需求 |
| 2.2.2 电务设备维护业务运行模型 |
| 2.2.3 电务设备维护知识网络结构 |
| 2.3 电务设备维护知识网络建模 |
| 2.3.1 维护联盟本体 |
| 2.3.2 维护知识描述模型 |
| 2.3.3 知识集成网络建模 |
| 2.4 案例分析 |
| 2.5 本章小结 |
| 3 基于业务过程的电务维修知识推送 |
| 3.1 电务维修知识主动推送机制 |
| 3.2 电务设备维护业务流程设计 |
| 3.2.1 电务设备维护模型整体设计 |
| 3.2.2 维修计划制定流程 |
| 3.2.3 电务设备维护流程 |
| 3.2.4 故障处理维护流程 |
| 3.3 基于相似度计算的知识匹配算法 |
| 3.4 本章小结 |
| 4 基于云推理的铁路信号设备维修决策模型 |
| 4.1 云模型的基本概念 |
| 4.2 云发生器 |
| 4.2.1 正向云发生器 |
| 4.2.2 逆向云发生器 |
| 4.2.3 条件云发生器 |
| 4.3 不确定性推理及算法实现 |
| 4.3.1 单规则推理 |
| 4.3.2 多规则推理 |
| 4.3.3 多维多规则不确定性推理 |
| 4.4 算例应用 |
| 4.4.1 系统建模 |
| 4.4.2 实验过程 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 5 铁路电务维修辅助决策原型系统的实现 |
| 5.1 系统开发环境 |
| 5.2 系统实现 |
| 5.2.1 系统架构 |
| 5.2.2 系统主要功能展示 |
| 5.3 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（4）基于云模型的模糊神经网络算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数据挖掘研究现状 |
| 1.2.2 模糊神经网络研究现状 |
| 1.2.3 云模型研究现状 |
| 1.2.4 云神经网络 |
| 1.3 研究内容与技术路线 |
| 1.4 论文结构 |
| 2 相关知识 |
| 2.1 数据挖掘 |
| 2.2 云模型 |
| 2.2.1 云的概念及云模型的表示 |
| 2.2.2 云发生器及不确定性推理 |
| 2.2.3 云模型的软与算法 |
| 2.3 模糊神经网络 |
| 2.3.1 模糊理论 |
| 2.3.2 人工神经网络 |
| 2.3.3 模糊神经网络类型 |
| 2.4 学习算法 |
| 2.5 本章小结 |
| 3 改进的云模型及相关算法 |
| 3.1 云数字特征的求取 |
| 3.1.1 高斯曲线拟合算法 |
| 3.1.2 模糊聚类算法 |
| 3.2 云推理及改进的软与算法 |
| 3.3 本章小结 |
| 4 基于云模型的模糊神经网络算法 |
| 4.1 云模糊神经网络模型 |
| 4.2 云模糊神经网络的学习算法 |
| 4.3 云模糊神经网络算法分析 |
| 4.4 本章小结 |
| 5 实验结果与对比分析 |
| 5.1 实验环境与数据集 |
| 5.2 数据预处理 |
| 5.3 实验结果及分析 |
| 5.3.1 winequality数据集的实验结果与分析 |
| 5.3.2 UCI数据集实验对比分析 |
| 5.3.3 工程实例实验结果与分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 在学研究成果 |
| 致谢 |
（5）基于云模型与集对联系数的区域水资源承载力评价分析（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究进展 |
| 1.3 主要研究内容 |
| 1.4 研究技术路线 |
| 第二章 基于云模型与集对联系数的水资源承载力研究理论基础 |
| 2.1 水资源承载力概述 |
| 2.2 论文主要研究方法 |
| 2.2.1 集对分析与联系数 |
| 2.2.2 云模型 |
| 2.2.3 减法集对势 |
| 2.2.4 效应全偏联系数 |
| 2.3 本章小结 |
| 第三章 基于云模型X分布与集对分析的区域水资源承载力综合评价 |
| 3.1 概述 |
| 3.2 云模型X分布与集对分析理论概述 |
| 3.2.1 集对分析理论 |
| 3.2.2 正态云模型及其X分布 |
| 3.3 基于集对分析与云模型X分布的水资源承载力综合评价模型建立 |
| 3.3.1 评价指标及等级标准体系建立 |
| 3.3.2 集对分析与云模型X分布耦合模型实现思路 |
| 3.3.3 集对分析与云模型X分布耦合模型建立步骤 |
| 3.4 安徽省水资源承载力综合评价实例分析 |
| 3.4.1 单指标评价结果分析 |
| 3.4.2 安徽省2005-2015年水资源承载力结果分析 |
| 3.5 本章小结 |
| 第四章 基于云模型X分布-集对分析模型的随机模拟算法与应用 |
| 4.1 概述 |
| 4.2 X分布-集对分析模型的随机模拟算法模型建立步骤 |
| 4.3 安徽省不同地级市的水资源承载力计算结果分析 |
| 4.4 安徽省不同地级市水资源承载力动态诊断 |
| 4.4.1 基于随机模拟算法的诊断识别方法比较与分析 |
| 4.4.2 基于效应全偏联系数的安徽省各地级市脆弱性指标动态识别 |
| 4.4.3 安徽省水资源承载状况较差地级市的脆弱性指标动态分析 |
| 4.5 脆弱性指标调控方法分析 |
| 4.5.1 基于效应全偏联系数的脆弱性指标调控原理 |
| 4.5.2 基于随机模拟算法的脆弱性指标调控方法 |
| 4.6 本章小结 |
| 第五章 基于联系数云的区域水资源承载力综合评价 |
| 5.1 概述 |
| 5.1.1 正态云模型概述 |
| 5.1.2 联系数与正态云模型的耦合思路 |
| 5.1.3 联系数云模型与云模型X分布-集对分析模型异同 |
| 5.2 水资源承载力评价标准体系的建立 |
| 5.2.2 联系数的基本理论和分析 |
| 5.2.3 正态云隶属度的基本理论分析 |
| 5.3 联系隶属度函数的建立 |
| 5.4 结果分析与结论 |
| 5.4.1 联系数云模型与传统联系数模型计算结果及对比 |
| 5.4.2 级别特征值评价法与置信度准则评价法结果与对比 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 论文创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（6）基于云理论的土石坝坝料参数反演研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究进展 |
| 1.2.1 云理论的研究进展 |
| 1.2.2 反分析的研究进展 |
| 1.3 论文主要研究内容和技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究的目标 |
| 1.3.3 研究技术路线 |
| 2 土石坝坝料参数获取 |
| 2.1 三轴剪切试验 |
| 2.1.1 试验研究方案 |
| 2.1.2 三轴试验成果 |
| 2.2 计算模型参数 |
| 2.2.1 邓肯-张E-n本构模型 |
| 2.2.2 相关参数的计算 |
| 2.3 本章小结 |
| 3 基于云理论的本构模型参数反演 |
| 3.1 云理论 |
| 3.1.1 云模型基本概念 |
| 3.1.2 云发生器 |
| 3.1.3 不确定性云推理 |
| 3.1.4 云变换 |
| 3.2 有限元分析原理 |
| 3.2.1 有限元模拟软件ABAQUS简介 |
| 3.2.2 邓肯模型的二次开发 |
| 3.2.3 有限元分析 |
| 3.3 土石坝坝料参数反演的基本原理 |
| 3.3.1 反演分析的基本概念 |
| 3.3.2 反演参数的确定 |
| 3.3.3 参数反演的基本步骤 |
| 3.4 小结 |
| 4 实例分析 |
| 4.1 建立计算模型 |
| 4.1.1 基本问题描述 |
| 4.1.2 建立有限元模型 |
| 4.1.3 选定参数范围 |
| 4.1.4 进行有限元计算 |
| 4.2 参数反演 |
| 4.2.1 建立云推理规则前后件 |
| 4.2.2 基于云推理的E-n模型参数反演 |
| 4.3 本章总结 |
| 5 结论与展望 |
| 5.1 研究结论 |
| 5.2 展望 |
| 攻读硕士期间参加的科研项目及发表的学术论文 |
| 致谢 |
| 参考文献 |
（7）复杂网络智能拥塞控制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 术语表 |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 论文主要工作及组织结构 |
| 1.2.1 主要研究内容 |
| 1.2.2 论文组织安排 |
| 2 文献综述 |
| 2.1 复杂网络 |
| 2.2 多重广义算子模型 |
| 2.2.1 广义算子模型的泛化 |
| 2.2.2 多重广义算子建模方法 |
| 2.3 云模型 |
| 2.3.1 云模型的定义 |
| 2.3.2 云发生器 |
| 2.4 拥塞控制 |
| 2.5 本章小结 |
| 3 基于多重广义算子的复杂网络建模 |
| 3.1 多重广义算子模型的概念 |
| 3.2 基于多重广义算子的复杂网络建模 |
| 3.2.1 问题描述 |
| 3.2.2 模型设计方案 |
| 3.3 Internet广义算子建模实例 |
| 3.3.1 Internet建模概述 |
| 3.3.2 复杂网络模型的统计特征 |
| 3.3.3 Internet模型分析与评价 |
| 3.3.4 基于云模型的Internet模型评价 |
| 3.4 基于多重广义算子模型的复杂网络拥塞分析 |
| 3.4.1 资源需求信息传递流程分析 |
| 3.4.2 资源调度的多重广义算子模型结构 |
| 3.4.3 基于多重广义算子模型网络拥塞分析 |
| 3.5 本章小结 |
| 4 基于带宽预估的源端拥塞控制技术 |
| 4.1 源端拥塞控制 |
| 4.2 TCP拥塞控制及其一些改进策略 |
| 4.2.1 TCP基于窗口的源端拥塞控制 |
| 4.2.2 TCP源端拥塞控制的改进策略 |
| 4.3 TCP拥塞控制中的问题分析 |
| 4.4 基于带宽预估的源端拥塞控制算法 |
| 4.4.1 可用带宽预估方法分析 |
| 4.4.2 可用带宽的理论概念 |
| 4.4.3 带宽预估分析 |
| 4.4.4 带宽预估方法 |
| 4.5 基于可用带宽预估自适应源端拥塞控制算法 |
| 4.5.1 问题分析 |
| 4.5.2 带宽测量 |
| 4.5.3 参数讨论 |
| 4.6 仿真实验与分析 |
| 4.6.1 仿真工具NS2 |
| 4.6.2 仿真配置 |
| 4.6.3 实验结果分析 |
| 4.7 本章小结 |
| 5 非线性链路拥塞控制技术 |
| 5.1 链路拥塞控制 |
| 5.2 几种典型的AQM算法 |
| 5.2.1 随机早检测RED算法 |
| 5.2.2 系统自适应RED算法ARED |
| 5.2.3 公平性RED算法FRED |
| 5.2.4 AQM算法问题分析 |
| 5.3 分段平滑RED算法 |
| 5.3.1 问题描述 |
| 5.3.2 分段平滑随机早检测算法 |
| 5.3.3 仿真实验与结果分析 |
| 5.4 基于隶属云理论的非线性RED算法 |
| 5.4.1 RED算法的不确定性问题 |
| 5.4.2 云模型的基本理论 |
| 5.4.3 基于隶属云理论的非线性RED算法 |
| 5.4.4 仿真实验及结果分析 |
| 5.5 本章小结 |
| 6 非端到端网络拥塞控制技术 |
| 6.1 机会网络概述 |
| 6.2 机会网络与Internet拥塞控制的区别 |
| 6.3 机会网络体系结构 |
| 6.4 机会网络拥塞控制研究 |
| 6.5 基于节点社会属性的喷雾等待路由算法 |
| 6.5.1 节点社会性度量 |
| 6.5.2 算法描述 |
| 6.5.3 实验与仿真分析 |
| 6.6 基于节点关系与社区协作的路由算法 |
| 6.6.1 节点的连接特性 |
| 6.6.2 节点关系与社区 |
| 6.6.3 基于社区协作的路由算法 |
| 6.6.4 基于节点关系与社区协作的消息传输 |
| 6.7 仿真实验与结果分析 |
| 6.7.1 ONE仿真实验平台 |
| 6.7.2 数据集及仿真参数 |
| 6.7.3 实验结果分析 |
| 6.8 本章小结 |
| 7 总结及下一步工作 |
| 7.1 论文总结 |
| 7.2 下一步工作 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（8）基于云模型和多准则群决策方法的城市更新项目改造方案决策研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景及问题提出 |
| 1.1.1 城市更新是重要战略,但实现其改造方案的科学决策难度较大 |
| 1.1.2 多准则群决策在城市更新领域运用的可行性 |
| 1.1.3 云模型对解决城市更新群决策的适宜性 |
| 1.2 国内外研究综述 |
| 1.2.1 城市更新决策与评价研究综述 |
| 1.2.2 多准则群决策研究综述 |
| 1.2.3 云模型研究综述 |
| 1.2.4 文献综述小结 |
| 1.3 研究目的与研究意义 |
| 1.3.1 研究目的 |
| 1.3.2 研究意义 |
| 1.4 研究内容与方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.5 技术路线 |
| 2 相关概念及理论基础 |
| 2.1 城市更新与多准则群决策的相关概念 |
| 2.1.1 城市更新 |
| 2.1.2 城市更新模式 |
| 2.1.3 城市更新的目标、特征与改造对象界定 |
| 2.1.4 城市更新的决策主体与利益相关者识别 |
| 2.1.5 决策与多准则群决策 |
| 2.2 云模型的基本概念 |
| 2.2.1 不确定性与正态隶属云 |
| 2.2.2 云的数字特征值 |
| 2.2.3 云发生器 |
| 2.2.4 云的四则运算与运算律 |
| 2.3 云模型和多准则群决策方法的优势 |
| 2.4 基于云模型的不确定语言信息的表示、集结与比较分析 |
| 2.4.1 语言变量的云转化 |
| 2.4.2 云聚合算子 |
| 2.4.3 云的距离与相似度 |
| 2.4.4 基于云模型的不确定度与偏差度计算 |
| 2.5 相关理论 |
| 2.5.1 治理与城市治理理论 |
| 2.5.2 利益相关者理论 |
| 2.5.3 可持续发展理论 |
| 2.6 本章小结 |
| 3 城市更新项目改造方案的决策指标体系构建 |
| 3.1 指标体系构建原则与方法 |
| 3.1.1 指标体系构建原则 |
| 3.1.2 指标体系构建方法 |
| 3.1.3 指标体系建立需解决的问题 |
| 3.2 指标体系构建理论基础 |
| 3.2.1 基于文献研究法的准则指标初选 |
| 3.2.2 基于专家访谈法的准则指标优化 |
| 3.3 指标体系结构与含义说明 |
| 3.4 基于云模型的DEMATEL方法决定准则指标权重 |
| 3.5 云聚类算法和聚集簇综合权重计算 |
| 3.6 程序算法 |
| 3.7 程序结构 |
| 3.8 本章小结 |
| 4 案例分析 |
| 4.1 案例概况 |
| 4.1.1 案例选取依据 |
| 4.1.2 案例基本情况 |
| 4.2 案例背景 |
| 4.3 案例分析 |
| 4.3.1 改造方案 |
| 4.3.2 利益相关者识别 |
| 4.3.3 调查问卷设计 |
| 4.3.4 样本分布分析 |
| 4.3.5 数据云转化 |
| 4.3.6 影响矩阵与准则指标权重的计算 |
| 4.3.7 决策群体的云聚类分析 |
| 4.3.8 计算结果分析 |
| 4.4 讨论 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 研究结论 |
| 5.2 不足与展望 |
| 参考文献 |
| 附录 |
| A 城市更新项目改造方案的决策模型代码 |
| B 城市更新项目改造方案的决策评价指标调查问卷 |
| C 城市更新项目决策评价指标相关关系调查问卷 |
| D 作者在攻读学位期间发表的论文目录 |
| E 学位论文数据集 |
| 致谢 |
（9）基于云模型的洪涝灾害风险评价与风险管理研究 ——以巢湖流域为例（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 国内外研究进展 |
| 1.2.1 洪涝灾害风险定义及其内涵 |
| 1.2.2 洪涝灾害风险评价研究现状 |
| 1.2.3 常见评价方法 |
| 1.2.4 云模型方法 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 第2章 研究区概况与研究方法 |
| 2.1 研究区概况 |
| 2.1.1 自然地理环境 |
| 2.1.2 社会经济条件 |
| 2.2 数据来源 |
| 2.3 研究方法 |
| 2.3.1 云模型 |
| 2.3.1.1 云模型的定义与数字特征 |
| 2.3.1.2 云模型的性质 |
| 2.3.1.3 云模型的分类 |
| 2.3.1.4 云模型的代数运算和综合算法 |
| 2.3.1.5 云模型的时间序列分析 |
| 2.3.2 GIS空间分析方法 |
| 2.3.3 层次分析法 |
| 2.4 本章小结 |
| 第3章 基于云模型的洪涝灾害危险性分析 |
| 3.1 地形危险性分析 |
| 3.1.1 地形危险性分析方法改进 |
| 3.1.2 巢湖流域地形危险性分析 |
| 3.2 降水危险性分析 |
| 3.2.1 基于云模型的降水模拟 |
| 3.2.2 巢湖流域降水危险性分析 |
| 3.3 本章小结 |
| 第4章 基于云模型的洪涝灾害风险评价模型构建 |
| 4.1 风险识别现状与选取原则 |
| 4.1.1 风险识别现状 |
| 4.1.2 指标选取原则 |
| 4.1.3 巢湖流域洪涝灾害风险评价指标 |
| 4.2 巢湖流域洪涝灾害风险评价模型 |
| 4.2.1 云模型改进下的层次分析法 |
| 4.2.2 洪涝灾害风险评价模型建立 |
| 4.3 本章小结 |
| 第5章 巢湖流域洪涝灾害风险评价与区划 |
| 5.1 数据归一化 |
| 5.2 危险性评价 |
| 5.2.1 降水危险性 |
| 5.2.2 地形危险性 |
| 5.2.3 水系危险性 |
| 5.3 暴露性评价 |
| 5.4 脆弱性评价 |
| 5.4.1 经济脆弱性 |
| 5.4.2 人口脆弱性 |
| 5.4.3 土地脆弱性 |
| 5.5 洪涝灾害风险评价与区划 |
| 5.6 评价结果验证 |
| 5.7 本章小结 |
| 第6章 巢湖流域洪涝灾害风险管理对策 |
| 6.1 洪涝灾害风险管理 |
| 6.2 巢湖流域洪涝灾害风险管理对策 |
| 6.2.1 高风险地区管理对策 |
| 6.2.2 中等风险地区管理对策 |
| 6.2.3 低风险地区管理对策 |
| 6.2.4 其他管理对策 |
| 6.3 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（10）基于云模型的五通桥区土地综合承载力评价（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题依据与研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究综述 |
| 1.3.1 国外土地承载力研究现状 |
| 1.3.2 国内土地承载力研究现状 |
| 1.3.3 土地承载力定量研究方法 |
| 1.3.4 云模型方法研究现状 |
| 1.3.5 小结 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 创新点 |
| 1.6 本章小结 |
| 第2章 相关概念与理论基础 |
| 2.1 土地综合承载力相关概念 |
| 2.1.1 土地人口承载力 |
| 2.1.2 土地资源承载力 |
| 2.1.3 土地综合承载力 |
| 2.2 土地综合承载力相关理论 |
| 2.2.1 资源稀缺理论 |
| 2.2.2 可持续发展理论 |
| 2.2.3 人地关系理论 |
| 2.3 云模型 |
| 2.3.1 云模型基本理论 |
| 2.3.2 云模型优势 |
| 2.4 熵权法 |
| 2.5 投影寻踪法 |
| 2.6 本章小结 |
| 第3章 五通桥区概况及土地利用情况 |
| 3.1 研究区概况 |
| 3.1.1 地理位置 |
| 3.1.2 地形地貌 |
| 3.1.3 气象水文 |
| 3.1.4 资源环境 |
| 3.1.5 人口及社会经济概况 |
| 3.2 土地资源现状 |
| 3.2.1 土地资源利用现状 |
| 3.2.2 土地资源利用特点 |
| 3.3 土地利用存在的问题 |
| 3.3.1 土地利用率高,后备资源不足 |
| 3.3.2 土地利用区域差异显着 |
| 3.3.3 工业经济发展与生态环境保护矛盾突出 |
| 3.4 本章小结 |
| 第4章 五通桥区土地综合承载力评价 |
| 4.1 基于云模型的土地综合承载力评价思路 |
| 4.2 构建评价指标体系 |
| 4.2.1 指标选取原则 |
| 4.2.2 指标体系框架 |
| 4.2.3 指标具体解释 |
| 4.3 确定分级评价标准及指标权重 |
| 4.3.1 确定分级评价标准 |
| 4.3.2 确定指标权重 |
| 4.4 云模型参数选取 |
| 4.4.1 云模型特征数的计算 |
| 4.4.2 构建评语集云模型 |
| 4.5 样本数据评价 |
| 4.5.1 计算云模型隶属度矩阵 |
| 4.5.2 加权确定综合模糊隶属度矩阵 |
| 4.5.3 云模型计算结果 |
| 4.6 投影寻踪评价模型校核 |
| 4.6.1 投影寻踪评价模型原理 |
| 4.6.2 投影寻踪评价模型计算过程 |
| 4.7 云模型评价结果分析 |
| 4.8 提高五通桥区土地综合承载力的对策建议 |
| 4.8.1 加强耕地数量与质量并重管理,提高耕地承载能力 |
| 4.8.2 优化产业结构,提高经济承载能力 |
| 4.8.3 促进人口合理流动,优化人口布局 |
| 4.8.4 防治环境污染,提高生态环境承载能力 |
| 4.9 本章小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间取得学术成果 |
四、基于云模型的不确定性知识表示（论文参考文献）
- [1]基于云模型的云南省经营性农房安全风险评估方法构建与应用 ——以砖混结构为例[D]. 黄金. 昆明理工大学, 2021(01)
- [2]面向聚类及预测的时间序列信息粒化方法研究[D]. 陈海兰. 北京科技大学, 2021(02)
- [3]基于不确定规则推理的铁路电务维修知识服务方法研究[D]. 赵竞天. 兰州交通大学, 2020(01)
- [4]基于云模型的模糊神经网络算法研究[D]. 赵晨蕾. 内蒙古科技大学, 2020(01)
- [5]基于云模型与集对联系数的区域水资源承载力评价分析[D]. 唐镇. 合肥工业大学, 2020(02)
- [6]基于云理论的土石坝坝料参数反演研究[D]. 王佟童. 华北水利水电大学, 2020(01)
- [7]复杂网络智能拥塞控制研究[D]. 赵宇红. 北京科技大学, 2019(06)
- [8]基于云模型和多准则群决策方法的城市更新项目改造方案决策研究[D]. 张萌. 重庆大学, 2019(01)
- [9]基于云模型的洪涝灾害风险评价与风险管理研究 ——以巢湖流域为例[D]. 吕军. 安徽师范大学, 2019
- [10]基于云模型的五通桥区土地综合承载力评价[D]. 唐静. 成都理工大学, 2019(02)