| 摘要 | 第1-6页 |
| Abstract | 第6-14页 |
| 第1章 绪论 | 第14-29页 |
| ·课题研究的背景和意义 | 第14-16页 |
| ·课题来源 | 第14页 |
| ·研究的目的和意义 | 第14-16页 |
| ·多源信息融合技术的国内外研究现状 | 第16-28页 |
| ·信息融合的发展概况 | 第16-18页 |
| ·信息融合技术的研究现状 | 第18-26页 |
| ·信息融合技术的应用现状 | 第26-28页 |
| ·本文主要工作 | 第28-29页 |
| 第2章 基于DFP 和信赖域的BP 网络学习算法 | 第29-46页 |
| ·引言 | 第29-30页 |
| ·BP 网络学习算法存在的问题分析 | 第30-33页 |
| ·DFP 方法及其在解决收敛速度问题上的理论分析 | 第33-35页 |
| ·DFP 方法的背景 | 第33页 |
| ·DFP 方法理论分析 | 第33-35页 |
| ·信赖域法及其在解决全局收敛性问题上的理论分析 | 第35-36页 |
| ·基于DFP 和信赖域的BP 网络学习算法 | 第36-39页 |
| ·改进算法的主要思想 | 第36-37页 |
| ·改进算法的实现方法 | 第37-39页 |
| ·算法仿真与结果分析 | 第39-45页 |
| ·仿真实验与结果 | 第39-45页 |
| ·结果分析 | 第45页 |
| ·本章小结 | 第45-46页 |
| 第3章 自扩展聚类算法及在模糊BP 网络中的应用 | 第46-63页 |
| ·引言 | 第46页 |
| ·自组织聚类的算法分析 | 第46-49页 |
| ·基于密度网格可变参数的自扩展聚类算法 | 第49-55页 |
| ·基于密度单元的自扩展聚类算法 | 第49-50页 |
| ·改进的基于密度网格可变参数的自扩展聚类算法 | 第50-53页 |
| ·SECDU 算法和PASCDU 算法的实验结果对比 | 第53-55页 |
| ·PASCDU 算法在模糊BP 网络中的应用 | 第55-62页 |
| ·模糊BP 神经网络的结构设计 | 第55-56页 |
| ·模糊BP 神经网络的参数确定 | 第56-57页 |
| ·模糊BP 神经网络的学习算法 | 第57-61页 |
| ·PASCDU 算法在模糊BP 网络中的应用 | 第61-62页 |
| ·本章小结 | 第62-63页 |
| 第4章 粒子滤波采样重要性重采样算法 | 第63-85页 |
| ·引言 | 第63-64页 |
| ·粒子滤波的理论分析 | 第64-68页 |
| ·回归贝叶斯估计 | 第65-67页 |
| ·蒙特卡罗分析 | 第67页 |
| ·贝叶斯重要性采样 | 第67-68页 |
| ·粒子滤波退化问题分析及解决方法 | 第68-74页 |
| ·顺序重要性采样算法 | 第68-70页 |
| ·采样重要性重采样算法 | 第70页 |
| ·辅助粒子滤波算法 | 第70-72页 |
| ·正则粒子滤波算法 | 第72-73页 |
| ·高斯粒子滤波算法 | 第73-74页 |
| ·解决粒子滤波粒子退化问题的采样重要性重采样算法 | 第74-78页 |
| ·多项式重采样算法 | 第75页 |
| ·残差重采样算法 | 第75页 |
| ·分层重采样算法 | 第75-76页 |
| ·系统重采样算法 | 第76页 |
| ·一种新的解决粒子滤波粒子退化问题的重采样算法 | 第76-78页 |
| ·对比实验与仿真应用 | 第78-84页 |
| ·四种粒子滤波重采样算法实验对比 | 第78-80页 |
| ·分区重采样算法的仿真应用 | 第80-84页 |
| ·本章小结 | 第84-85页 |
| 第5章 神经网络与Kalman 滤波的融合算法 | 第85-101页 |
| ·引言 | 第85页 |
| ·基于Kalman 滤波的BP 网络学习算法 | 第85-89页 |
| ·Kalman 滤波的理论分析 | 第86-88页 |
| ·Kalman 滤波算法相关参数的选择 | 第88页 |
| ·基于Kalman 滤波的BP 网络学习算法原理 | 第88-89页 |
| ·改进的基于Kalman 滤波的BP 网络学习算法 | 第89-100页 |
| ·AKF-LA 算法 | 第89-92页 |
| ·AKF-LA 算法的实现流程 | 第92页 |
| ·仿真实验及结果分析 | 第92-100页 |
| ·本章小结 | 第100-101页 |
| 结论 | 第101-103页 |
| 参考文献 | 第103-112页 |
| 攻读学位期间发表的学术论文 | 第112-114页 |
| 致谢 | 第114-115页 |
| 个人简历 | 第115页 |