| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-29页 |
| 1．1 研究的背景和意义 | 第10-11页 |
| 1．2 信息融合技术及其研究现状 | 第11-19页 |
| 1．2．1 信息融合技术的形成与发展 | 第11-12页 |
| 1．2．2 信息融合的基本理论 | 第12-19页 |
| 1．3 传感器管理技术及其研究现状 | 第19-27页 |
| 1．3．1 传感器管理问题的形成与发展 | 第19-21页 |
| 1．3．2 传感器管理的基本理论 | 第21-27页 |
| 1．4 本文主要研究内容 | 第27-29页 |
| 第二章 基于 D-S证据理论的矿井通风安全评价 | 第29-39页 |
| 2．1 引言 | 第29-30页 |
| 2．2 D-S证据理论 | 第30-36页 |
| 2．2．1 D-S证据理论算法描述及实现 | 第30-34页 |
| 2．2．2 证据理论的组合规则及基本性质 | 第34-36页 |
| 2．3 D-S证据理论在矿井通风系统中的应用 | 第36-38页 |
| 2．3．1 实验数据 | 第36-37页 |
| 2．3．2 融合处理与分析 | 第37-38页 |
| 2．4 本章总结 | 第38-39页 |
| 第三章 改进型神经网络在矿井通风评价中的应用 | 第39-52页 |
| 3．1 引言 | 第39页 |
| 3．2 BP神经网络 | 第39-46页 |
| 3．3 神经网络在矿井通风安全评价中的应用 | 第46-49页 |
| 3．3．1 实验准备 | 第46-47页 |
| 3．3．2 实验仿真 | 第47-48页 |
| 3．3．3 BP神经网络的评价结果与 D-S证据理论的比较分析 | 第48-49页 |
| 3．4 神经网络与 D-S证据理论相结合的融合算法研究 | 第49-51页 |
| 3．4．1 D-S证据理论和 BP神经网络相结合的融合算法描述 | 第49-50页 |
| 3．4．2 实验与结果分析 | 第50-51页 |
| 3．5 本章总结 | 第51-52页 |
| 第四章 D-S证据理论与模糊神经网络相结合 | 第52-62页 |
| 4．1 引言 | 第52-53页 |
| 4．2 模糊理论 | 第53-56页 |
| 4．3 模糊理论与神经网络的结合 | 第56-59页 |
| 4．4 基于 FNN和 D-S证据理论的矿井通风系统安全评价 | 第59-61页 |
| 4．4．1 基于 FNN和 D-S证据理论的评价体系 | 第59-60页 |
| 4．4．2 基于 FNN和 D-S证据理论方法的仿真实验 | 第60页 |
| 4．4．3 本章方法与 D-S证据理论与 NN结合的方法比较分析 | 第60-61页 |
| 4．5 本章总结 | 第61-62页 |
| 第五章 通风监测系统中多传感器管理相关问题研究 | 第62-71页 |
| 5．1 引言 | 第62页 |
| 5．2 通风监测系统的组成 | 第62-63页 |
| 5．3 系统的多传感器管理问题提出 | 第63-65页 |
| 5．4 多传感器管理中的多目标排序问题 | 第65-69页 |
| 5．4．1 矿井通风系统中的多目标排序问题 | 第65-67页 |
| 5．4．2 实例分析 | 第67-69页 |
| 5．4．3 本节小结 | 第69页 |
| 5．5 多传感器管理系统中的融合算法管理 | 第69-70页 |
| 5．6 本章总结 | 第70-71页 |
| 第六章 总结与展望 | 第71-74页 |
| 6．1 总结 | 第71页 |
| 6．2 展望 | 第71-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士期间发表的学术论文 | 第79页 |
