针对工程中一类过程参量测量问题,论文提出了无样本参量认知建模的研究课题。无样本参量认知是指对真实存在、具有明确物理意义、但无法在线实时监测且(在一般条件下)无法获得离线采样样本的过程参量当前状态(值)的一种预测或评估。实现无样本参量认知,有利于实现复杂设备的在线优化、在线可控,从而提高设备的生产能力并降低能耗。　　 论文研究内容涉及到证据理论研究和建模方法研究。从这两个方面入手,围绕无样本参量认知的实现进行了如下主要研究工作:　　 (1)DS融合法则局限于证据独立性假设和证据融合悖论。针对独立性假设,基于广义范数提出了广义范数融合法则。该融合法则能够通过调整广义范数中的相关结构参数解除独立性假设约束。针对证据融合悖论,基于“冲突来源于信息源或信息的失效表征"观点,提出邻域一致性度量概念。基于该度量,通过对证据进行折现以减小冲突性产生。此外,基于一种离散化策略和广义范数融合法则,解决了模糊证据融合问题。　　 (2)证据k-NN分类器存在局限性:1)欧氏距离度量不具有自适应性,2)证据表示形式不具有一般性,3)不合理的参数优化准则,4)使用TBM与法则(即非标准化的DS融合法则)的局限性。针对这些局限性,论文提出了三种变体证据k-NN分类器:基于自适应度量空间和参数优化化的证据k-NN分类器,基于广义T范数与法则的证据k-NN分类器,以及鲁棒自适应证据k-NN分类器。UCI数据集验证表明,与经典的证据k-NN相比,这3种变体证据k-NN分类器具有较高的分类精度。最重要的是,后两种变体分类器能够适用于证据非独立情况下的特征分类。　　 (3)基于邻域决策的邻域粗糙集属性约简算法存在局限性:1)忽略了邻域内样本之间的距离信息,2)对邻域大小较为敏感,和3)容易产生“无措行为”。针对这些问题,论文提出了一种基于邻域证据决策误差率的粗糙集属性约简算法。UCI数据验证表明,该属性约简算法具有较高的分类精度和较好的邻域大小鲁棒性。基于以上研究,论文将证据理论引入邻域粗糙集模型,提出了证据邻域粗糙集模型,并提出了基于证据邻域粗糙集模型的属性约简算法。当决策属性取精确值时,证据邻域粗糙集模型退化为邻域粗糙集模型。　　 (4)论文对无样本参量认知建模方法进行了系统的研究。基于证据邻域粗糙集模型属性约简算法,获得无冗余的认知模型输入变量；基于多模型策略及证据理论,提出了一种认知模型结构,即:证据回归多模型；基于鲁棒自适应证据k-NN分类器,提出了一种证据回归多模型结构参数辨识策略。以UCI中的MPG数据集为示例,演示了证据回归多模型建模过程。结果表明,证据回归多模型具有较高的预测精度。证据回归多模型较其他先进模型具有突出优点:能够处理不精确、不确定、不可靠和冲突性信息,能够有效反映样本集的不确定性分布,具有较丰富的输出结果表示形式。当学习样本集中的输出部分退化为精确数值时,证据回归多模型通过简化可以退化为一般形式的回归模型用于处理精确信息。这是证据回归模型的又一突出特点。　　 (5)以火电厂制粉系统钢球磨煤机为实际研究对象,研究无样本参量料位的在线认知。无样本参量认知的实现取决于无样本参量知识的有效表征和认知模型的建立。为了有效的表征无样本参量,基于专家知识和运行数据,论文提出了一种数据和知识驱动的样本构建策略。该策略可用于实现以不精确、不确定信息形式表征无样本参量知识的学习样本的构建。基于证据回归多模型和已构建的学习样本集,实现了料位的在线认知。通过专家知识分析、模型预测结果对比分析、现场应用分析,证明了证据回归多模型预测结果的可靠性。　　 (6)区间证据中,区间信度赋值容易出现:区间过窄,产生冲突；区间过宽,不确定性信息过多导致无知。为了解决该问题,论文提出了区间信度函数的最大置信区间的概念,通过一个数字模拟实验演示了其存在性,并通过提出一个定理和相关命题证明了其存在性。基于最大置信区间,提出了一种区间证据的构建方法,以及一些用于对区间证据中任意焦元进行信度区间赋值(包括下限赋值)的有用建议。这些研究为专家构建有效区间证据并用于无样本参量认知、群决策起着重要作用。