| 1． 引言 | 第1-9页 |
| 2． 相关观测下的多传感器分布式Neyman-Pearson判决 | 第9-25页 |
| 2．1 经典的统计判决理论 | 第9-11页 |
| 2．1．1 统计判决的基本模型 | 第9-10页 |
| 2．1．2 假设检验 | 第10-11页 |
| 2．2 经典的单传感器统计判决 | 第11-16页 |
| 2．2．1 Bayes判决 | 第11-14页 |
| 2．2．2 Neyman—Pearson判决 | 第14-16页 |
| 2．3 多传感器统计判决理论发展 | 第16-18页 |
| 2．4 多传感器分布式二元Neyman-Pearson判决 | 第18-24页 |
| 2．4．1 模型和不动点类必要条件 | 第18-21页 |
| 2．4．2 迭代算法 | 第21-22页 |
| 2．4．3 λ的单调性 | 第22-23页 |
| 2．4．4 数值模拟例子 | 第23-24页 |
| 2．5 小结 | 第24-25页 |
| 3． 多传感器统计区间估计融合 | 第25-43页 |
| 3．1 背景介绍 | 第25页 |
| 3．2 经典区间估计 | 第25-27页 |
| 3．2．1 基本概念 | 第25-26页 |
| 3．2．2 枢轴量法 | 第26-27页 |
| 3．3 区间估计融合 | 第27-35页 |
| 3．3．1 估计融合模型 | 第29-30页 |
| 3．3．2 最优线性融合 | 第30-35页 |
| 3．3．2．1 基于分站统计量的凸线性融合 | 第30-32页 |
| 3．3．2．2 基于分站枢轴量的凸线性融合 | 第32-34页 |
| 3．3．2．3 搜索最优加权系数的算法 | 第34-35页 |
| 3．4 近似最优线性融合 | 第35-38页 |
| 3．5 数值模拟 | 第38-42页 |
| 3．6 小结 | 第42-43页 |
| 参考文献 | 第43-47页 |