| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 发展及研究现状 | 第8-9页 |
| 1.3 研究内容及创新点 | 第9-10页 |
| 1.4 本文结构安排 | 第10-12页 |
| 第二章 数据融合综述 | 第12-20页 |
| 2.1 数据融合模型 | 第12-15页 |
| 2.1.1 信息预处理 | 第13-14页 |
| 2.1.2 目标识别 | 第14页 |
| 2.1.3 态势评估 | 第14页 |
| 2.1.4 威胁评估 | 第14-15页 |
| 2.2 数据融合算法 | 第15-17页 |
| 2.3 数据融合应用 | 第17-18页 |
| 2.4 本章小结 | 第18-20页 |
| 第三章 战场态势目标识别的算法研究 | 第20-33页 |
| 3.1 证据理论的基本概念 | 第20-22页 |
| 3.1.1 识别框架 | 第20页 |
| 3.1.2 基本信任分配函数 | 第20页 |
| 3.1.3 信任函数 | 第20页 |
| 3.1.4 似然函数 | 第20-21页 |
| 3.1.5 Dempster合成法则 | 第21页 |
| 3.1.6 决策规则 | 第21-22页 |
| 3.2 D-S证据理论应用于战场态势目标识别的分析 | 第22-24页 |
| 3.2.1 战场目标识别数据的特点 | 第22-23页 |
| 3.2.2 D-S证据理论存在的问题及原因 | 第23-24页 |
| 3.3 基于数学模型的D-S证据理论 | 第24-25页 |
| 3.3.1 核心思想 | 第24页 |
| 3.3.2 算法步骤 | 第24-25页 |
| 3.4 基于折扣系数的D-S证据理论 | 第25-26页 |
| 3.4.1 核心思想 | 第25页 |
| 3.4.2 算法步骤 | 第25-26页 |
| 3.5 实验仿真及结果分析 | 第26-30页 |
| 3.5.1 实验仿真 | 第26-29页 |
| 3.5.2 结果分析 | 第29-30页 |
| 3.6 两种改进的D-S证据理论在战场态势目标识别中的应用 | 第30-32页 |
| 3.6.1 实验仿真 | 第30-32页 |
| 3.6.2 结果分析 | 第32页 |
| 3.7 本章小结 | 第32-33页 |
| 第四章 战场态势意图预测的算法研究 | 第33-48页 |
| 4.1 战场态势分层的设计 | 第33-34页 |
| 4.2 基于战场态势的多层黑板模型的设计 | 第34-38页 |
| 4.2.1 黑板模型 | 第34-35页 |
| 4.2.2 基于战场态势的多层黑板模型 | 第35-37页 |
| 4.2.3 基于战场态势的多层黑板模型的意义 | 第37-38页 |
| 4.3 基于战场态势的多层黑板模型的意图预测算法 | 第38-45页 |
| 4.4 实例分析 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 联合识别与态势评估系统的设计与实现 | 第48-56页 |
| 5.1 联合识别与态势评估系统的需求分析 | 第48-49页 |
| 5.1.1 联合识别需求分析 | 第48页 |
| 5.1.2 态势评估需求分析 | 第48-49页 |
| 5.2 联合识别与态势评估系统的工作流程 | 第49-50页 |
| 5.3 联合识别与态势评估系统的模块设计 | 第50-53页 |
| 5.3.1 信息预处理模块 | 第50页 |
| 5.3.2 联合识别模块 | 第50-52页 |
| 5.3.3 态势评估模块 | 第52-53页 |
| 5.3.4 数据库模块 | 第53页 |
| 5.3.5 界面显示模块 | 第53页 |
| 5.4 联合识别与态势评估系统的实现 | 第53-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 工作总结 | 第56-57页 |
| 6.2 工作展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录: 作者在攻读硕士学位期间主要学术成果 | 第62页 |