| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 论文研究的背景和意义 | 第12-13页 |
| 1.2 数据融合技术的研究现状 | 第13-18页 |
| 1.2.1 数据融合的概念 | 第14-15页 |
| 1.2.2 数据融合的原理 | 第15-16页 |
| 1.2.3 数据融合的层次分类 | 第16-18页 |
| 1.3 论文的组织结构 | 第18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 常用数据融合方法概述 | 第19-33页 |
| 2.1 基于随机的方法 | 第19-25页 |
| 2.1.1 加权平均法 | 第19页 |
| 2.1.2 最小二乘估计方法 | 第19-20页 |
| 2.1.3 卡尔曼滤波方法 | 第20-22页 |
| 2.1.4 贝叶斯估计的方法 | 第22-23页 |
| 2.1.5 D-S证据推理的方法 | 第23-25页 |
| 2.1.6 产生式规则方法 | 第25页 |
| 2.2 人工智能的方法 | 第25-29页 |
| 2.2.1 模糊逻辑推理方法 | 第25-26页 |
| 2.2.2 人工神经网络方法 | 第26-28页 |
| 2.2.3 基于支持向量机的方法 | 第28-29页 |
| 2.3 数据融合方法的比较 | 第29-31页 |
| 2.4 数据融合技术的研究热点 | 第31-32页 |
| 2.4.1 模糊逻辑推理与神经网络相结合的方法 | 第31-32页 |
| 2.4.2 模糊逻辑推理与最小二乘法相结合的方法 | 第32页 |
| 2.4.3 模糊逻辑推理与卡尔曼滤波相结合的方法 | 第32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 自校正融合的方法 | 第33-41页 |
| 3.1 协方差融合估计 | 第33-34页 |
| 3.2 自校正融合的方法 | 第34-38页 |
| 3.2.1 自校正分布式融合 | 第36-37页 |
| 3.2.2 自校正加权观测卡尔曼滤波融合 | 第37-38页 |
| 3.3 改进的卡尔曼滤波器数据融合 | 第38-39页 |
| 3.4 仿真实例 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于改进量子粒子群算法优化的自校正数据融合 | 第41-50页 |
| 4.1 量子粒子群基础 | 第41-44页 |
| 4.1.1 粒子群算法基础 | 第41-42页 |
| 4.1.2 量子粒子群算法 | 第42-44页 |
| 4.2 改进的量子粒子群算法 | 第44-47页 |
| 4.2.1 算法的收敛性 | 第44-45页 |
| 4.2.2 避免算法早熟收敛 | 第45-47页 |
| 4.3 仿真实验 | 第47-49页 |
| 4.3.1 运用Griewank函数进行测试 | 第47页 |
| 4.3.2 仿真对比分析 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 基于两个实例的数据融合仿真 | 第50-64页 |
| 5.1 基于多幅电子海图的数据融合 | 第50-54页 |
| 5.1.1 问题描述 | 第50-51页 |
| 5.1.2 融合前的模型处理 | 第51-53页 |
| 5.1.3 仿真结果 | 第53-54页 |
| 5.2 基于三个雷达跟踪的数据融合 | 第54-62页 |
| 5.2.1 量测数据的预处理 | 第55-56页 |
| 5.2.2 数据融合系统模型的建立 | 第56-58页 |
| 5.2.3 仿真结果 | 第58-59页 |
| 5.2.4 基于数据融合的跟踪模型 | 第59-62页 |
| 5.3 仿真结果分析 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第72-73页 |
| 致谢 | 第73页 |