| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第14-28页 |
| 1.1 论文研究背景及意义 | 第14-15页 |
| 1.2 多传感器信息融合技术及其发展现状 | 第15-19页 |
| 1.2.1 多传感器信息融合技术 | 第15-17页 |
| 1.2.2 多传感器信息融合的发展现状 | 第17-19页 |
| 1.3 空防雷达主要威胁与雷达网络构建 | 第19-24页 |
| 1.3.1 现代空防雷达主要威胁 | 第19-20页 |
| 1.3.2 雷达网络构建 | 第20-24页 |
| 1.4 论文研究的主要内容 | 第24页 |
| 1.5 论文的结构安排 | 第24-28页 |
| 第2章 多传感器信息融合相关理论与基础 | 第28-46页 |
| 2.1 信息融合相关理论 | 第28-39页 |
| 2.1.1 信息融合的基本概念 | 第28-33页 |
| 2.1.2 信息融合的系统模型 | 第33-39页 |
| 2.1.2.1 功能模型 | 第33-34页 |
| 2.1.2.2 结构模型 | 第34-39页 |
| 2.2 基于异类传感器的信息融合系统 | 第39-40页 |
| 2.3 基于被动传感器的信息融合系统 | 第40-43页 |
| 2.3.1 非线性滤波技术 | 第41-42页 |
| 2.3.2 数据关联技术 | 第42页 |
| 2.3.3 传感器管理技术 | 第42-43页 |
| 2.4 多传感器信息融合主要方法 | 第43-45页 |
| 2.5 本章小结 | 第45-46页 |
| 第3章 空防雷达网络系统布站及其优化 | 第46-68页 |
| 3.1 空防雷达网络布站基本方法 | 第46-55页 |
| 3.1.1 网络布站原则 | 第47-48页 |
| 3.1.2 布站矩阵模型 | 第48-50页 |
| 3.1.3 布站目标函数 | 第50-55页 |
| 3.2 空防雷达网络优化布站方案 | 第55-59页 |
| 3.2.1 基于ACO算法的优化布站描述 | 第55-57页 |
| 3.2.2 一种基于参数优选的演进分析方法 | 第57-59页 |
| 3.3 仿真及系统实地搭建 | 第59-66页 |
| 3.3.1 仿真步骤 | 第59-61页 |
| 3.3.2 仿真结果及布站效果 | 第61-66页 |
| 3.4 本章小结 | 第66-68页 |
| 第4章 基于异类传感器融合的目标识别改进 | 第68-94页 |
| 4.1 目标识别概述 | 第68-73页 |
| 4.1.1 目标识别分类及融合识别方法 | 第68-71页 |
| 4.1.2 异类传感器融合识别模型设计 | 第71-73页 |
| 4.2 基于模糊神经网络的隶属度分析 | 第73-81页 |
| 4.2.1 模糊系统与神经网络 | 第73-78页 |
| 4.2.2 基于模糊神经网络的改进聚类中心选择方法 | 第78-81页 |
| 4.3 基于D-S理论的目标融合识别方法 | 第81-88页 |
| 4.3.1 D-S证据理论及组合规则 | 第81-84页 |
| 4.3.2 证据理论矛盾冲突分析与解决 | 第84-85页 |
| 4.3.3 一种改进的D-S证据组合方法 | 第85-88页 |
| 4.4 仿真实验 | 第88-92页 |
| 4.4.1 仿真实验条件 | 第88-90页 |
| 4.4.2 实验结果 | 第90-92页 |
| 4.5 本章小结 | 第92-94页 |
| 第5章 基于被动传感器融合的目标跟踪研究 | 第94-108页 |
| 5.1 PDF的Gaussion近似 | 第94-97页 |
| 5.2 GHF滤波模型 | 第97-100页 |
| 5.2.1 GHF积分规则 | 第97-99页 |
| 5.2.1.1 一维GHF积分规则 | 第97-98页 |
| 5.2.1.2 n维GHF积分规则 | 第98-99页 |
| 5.2.2 GHF滤波步骤 | 第99-100页 |
| 5.3 一种基于多维分配的纯方位多目标数据关联方法 | 第100-104页 |
| 5.3.1 基于目标角度测量值的观测划分 | 第101-103页 |
| 5.3.2 最优关联方案求解 | 第103-104页 |
| 5.4 仿真实验 | 第104-106页 |
| 5.5 本章小结 | 第106-108页 |
| 第6章 基于BN网络的空防威胁评估分析 | 第108-144页 |
| 6.1 威胁评估问题的数学描述 | 第108-114页 |
| 6.1.1 战场态势的数学模型 | 第108-109页 |
| 6.1.2 态势评估的数学模型 | 第109-112页 |
| 6.1.3 威胁评估的数学模型 | 第112-114页 |
| 6.2 基于FBN的威胁评估分析 | 第114-121页 |
| 6.2.1 知识表示的模糊划分 | 第114-117页 |
| 6.2.2 FBN模型条件概率的生成 | 第117-120页 |
| 6.2.3 灵敏度计算 | 第120-121页 |
| 6.3 一种基于FDBN的威胁评估方法 | 第121-130页 |
| 6.3.1 基于DBN的威胁评估分析 | 第121-124页 |
| 6.3.1.1 静态网络到动态网络的转变 | 第121-123页 |
| 6.3.1.2 动态网络威胁等级判定 | 第123-124页 |
| 6.3.2 基于FDBN的威胁评估改进 | 第124-130页 |
| 6.3.2.1 FDBN威胁评估模型构建 | 第124-126页 |
| 6.3.2.2 基于FDBN的推理方法 | 第126-130页 |
| 6.4 仿真实验 | 第130-142页 |
| 6.4.1 单一证据更新的TAFDBN推理仿真 | 第132-135页 |
| 6.4.2 组合证据更新的TAFDBN推理仿真 | 第135-141页 |
| 6.4.3 FDBN灵敏度分析 | 第141-142页 |
| 6.5 本章小结 | 第142-144页 |
| 第7章 总结与展望 | 第144-146页 |
| 7.1 论文工作总结 | 第144-145页 |
| 7.2 工作展望 | 第145-146页 |
| 参考文献 | 第146-156页 |
| 致谢 | 第156-158页 |
| 学习期间发表的论文情况 | 第158-160页 |
| 学习期间参与项目情况 | 第160页 |