| 第一章 序言 | 第1-13页 |
| §1．1 引言 | 第10-12页 |
| §1．2 论文安排 | 第12-13页 |
| 第二章 信息融合技术 | 第13-30页 |
| §2．1 信息融合的定义 | 第13-14页 |
| §2．2 信息融合的基本原理 | 第14-15页 |
| §2．3 信息融合的功能模型以及相应技术和方法 | 第15-19页 |
| 2．3．1 信息融合的功能模型 | 第15-17页 |
| 2．3．2 信息融合的技术和方法 | 第17-19页 |
| §2．4 信息融合的体系结构 | 第19-24页 |
| 2．4．1 集中式融合 | 第20-21页 |
| 2．4．2 分布式融合 | 第21-23页 |
| 2．4．3 混合式融合 | 第23-24页 |
| §2．5 信息融合的层次结构 | 第24-28页 |
| 2．5．1 数据层融合 | 第24-25页 |
| 2．5．2 特征层融合 | 第25-26页 |
| 2．5．3 决策层融合 | 第26-27页 |
| 2．5．4 三种层次结构之间的比较 | 第27-28页 |
| §2．6 信息融合技术的研究现状与发展方向 | 第28-30页 |
| 2．6．1 信息融合技术的研究现状 | 第28-29页 |
| 2．6．2 信息融合技术的发展方向 | 第29-30页 |
| 第三章 用于目标识别的信息融合算法 | 第30-41页 |
| §3．1 用于目标识别的信息融合算法 | 第30-33页 |
| 3．1．1 物理模型类识别算法 | 第30页 |
| 3．1．2 基于特征的推理技术 | 第30-32页 |
| 3．1．3 基于认知的模型 | 第32-33页 |
| §3．2 D-S证据理论 | 第33-41页 |
| 3．2．1 基本概念 | 第34-36页 |
| 3．2．2 结合多源信息的Dempster准则 | 第36-37页 |
| 3．2．3 基本概率赋值的获取 | 第37-40页 |
| 3．2．4 D—S证据理论的优缺点 | 第40页 |
| 3．2．5 D—S证据理论的应用 | 第40-41页 |
| 第四章 神经网络与信息融合技术 | 第41-51页 |
| §4．1 人工神经网络概述 | 第41-44页 |
| 4．1．1 神经网络模型与分类 | 第41-42页 |
| 4．1．2 信息处理能力 | 第42-43页 |
| 4．1．3 网络的学习 | 第43-44页 |
| §4．2 径向基函数网络 | 第44-47页 |
| 4．2．1 径向基函数网络简介 | 第44页 |
| 4．2．2 RBF网络结构 | 第44-46页 |
| 4．2．3 RBF网络的学习 | 第46-47页 |
| 4．2．4 RBF网络的应用 | 第47页 |
| §4．3 神经网络技术与信息融合技术 | 第47-51页 |
| 4．3．1 神经网络技术与信息融合技术的结合 | 第47-48页 |
| 4．3．2 两者结合的方式 | 第48-51页 |
| 第五章 基于D—S证据理论的神经网络形状识别系统 | 第51-65页 |
| §5．1 引言 | 第51-52页 |
| 5．1．1 模式识别 | 第51-52页 |
| 5．1．2 形状识别 | 第52页 |
| §5．2 基于D—S证据理论的神经网络形状识别系统的构成 | 第52-55页 |
| 5．2．1 预处理层 | 第52-53页 |
| 5．2．2 特征提取层 | 第53-54页 |
| 5．2．3 识别层 | 第54-55页 |
| §5．3 基于D—S证据理论的神经网络分类器 | 第55-64页 |
| 5．3．1 网络结构 | 第55-57页 |
| 5．3．2 参数确定 | 第57-61页 |
| 5．3．3 实验过程以及相关问题 | 第61-64页 |
| §5．4 本章总结 | 第64-65页 |
| 第六章 总结和展望 | 第65-68页 |
| §6．1 总结 | 第65-66页 |
| §6．2 展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士研究生期间发表的相关论文 | 第72页 |