| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-18页 |
| ·研究背景 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·国外研究现状 | 第13页 |
| ·国内研究现状 | 第13-14页 |
| ·目前研究的不足 | 第14页 |
| ·研究的目的与意义 | 第14-15页 |
| ·研究的内容与思路 | 第15-16页 |
| ·论文结构 | 第16-18页 |
| 第二章 相关理论概述与融合方法对比研究 | 第18-31页 |
| ·多传感器数据融合技术 | 第18-20页 |
| ·数据融合的基本概念 | 第18页 |
| ·数据融合的基本原理 | 第18-19页 |
| ·数据融合的结构与层级 | 第19-20页 |
| ·数据融合的主要方法 | 第20页 |
| ·几种数据融合方法比较 | 第20-29页 |
| ·几种数据融合方法介绍 | 第21-25页 |
| ·几种数据融合方法的对比研究 | 第25-28页 |
| ·上述几种方法的仿真试验对比 | 第28-29页 |
| ·本章小结 | 第29-31页 |
| 第三章 多传感器数据融合方法的研究 | 第31-44页 |
| ·基于 RBF 网聚类分析的数据融合方法 | 第31-34页 |
| ·径向基函数神经网络概述 | 第31-32页 |
| ·基于聚类分析的数据融合思想 | 第32页 |
| ·以 RBF 网的内插法确定数据融合的权值 | 第32-34页 |
| ·基于置信度的数据融合方法 | 第34-40页 |
| ·分布密度赋权融合方法 | 第35-37页 |
| ·基于中位数确定距离赋权的数据融合 | 第37-38页 |
| ·基于置信度构造相似度数据融合方法 | 第38-40页 |
| ·相似度改进的数据融合方法 | 第40页 |
| ·本章数据融合方法的仿真 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 基于 ARMA 模型的 kalman 滤波 | 第44-63页 |
| ·时间序列分析 | 第44-46页 |
| ·序列的分布与模式辨识 | 第44-45页 |
| ·白噪声序列 | 第45-46页 |
| ·自回归移动平均（ARMA）模型简介 | 第46-48页 |
| ·ARMA 模型 | 第46-47页 |
| ·建立 ARMA 模型的过程 | 第47-48页 |
| ·对飞机发动机试验的一些参数建立 ARMA 模型 | 第48-57页 |
| ·卡尔曼滤波原理 | 第57-58页 |
| ·对建立的 ARMA 模型进行 kalman 滤波处理 | 第58-61页 |
| ·经过纵向滤波后进行多传感器数据融合 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第五章 故障数据检验研究 | 第63-72页 |
| ·灰色关联度 | 第63-64页 |
| ·RBF 网学习算法确定故障等级的数据中心与扩展常数 | 第64-65页 |
| ·结合 RBF 网算法的关联度方法 | 第65-70页 |
| ·本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 硕士期间的研究成果 | 第78-79页 |
