信息融合几种算法的研究
| 1 绪论 | 第1-11页 |
| ·信息融合的定义 | 第6-7页 |
| ·信息融合的基本原理与方法 | 第7页 |
| ·信息融合的系统结构 | 第7-8页 |
| ·信息融合的优势 | 第8-9页 |
| ·信息融合技术的应用 | 第9-10页 |
| ·信息融合技术在军事上的应用 | 第9页 |
| ·信息融合技术在民事领域的应用 | 第9-10页 |
| ·本文的研究工作及内容安排: | 第10-11页 |
| 2 基于贝叶斯估计的多传感器信息融合方法 | 第11-19页 |
| ·贝叶斯估计 | 第11-12页 |
| ·分位图方法 | 第12-13页 |
| ·置信距离测度、置信距离矩阵及最佳融合数的确定 | 第13-15页 |
| ·基于贝叶斯估计的多传感器信息融合 | 第15-16页 |
| ·仿真分析 | 第16-18页 |
| ·利用分位图法获得一致传感器组 | 第16页 |
| ·计算置信距离矩阵、关系矩阵 | 第16-17页 |
| ·分析与比较 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 3 D-S证据理论与信息融合 | 第19-27页 |
| ·证据理论的基本概念 | 第19-21页 |
| ·证据理论的组合规则 | 第21-22页 |
| ·基于证据理论的决策 | 第22-23页 |
| ·基于D-S证据理论的信息融合实例 | 第23-25页 |
| ·D-S证据理论与贝叶斯方法的比较 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 4 基于神经网络的多传感器信息融合方法 | 第27-38页 |
| ·人工神经网络 | 第27-30页 |
| ·反向传播网络(BP网) | 第27-29页 |
| ·自组织神经网络(Kohonen网络) | 第29-30页 |
| ·基于BP网络的信息融合 | 第30-33页 |
| ·获取样本数据 | 第30-31页 |
| ·样本数据的归一化 | 第31-32页 |
| ·传感器数据融合的神经网络模型与算法 | 第32页 |
| ·融合效果及其分析 | 第32-33页 |
| ·基于Kohonen网络的图像信息融合 | 第33-36页 |
| ·图像的预处理 | 第33页 |
| ·图像的聚类分析 | 第33-35页 |
| ·图像的聚类分析结果的模糊化 | 第35-36页 |
| ·图像的融合 | 第36页 |
| ·本章小结 | 第36-38页 |
| 5 基于粗糙集理论的信息融合 | 第38-46页 |
| ·粗糙集理论简介 | 第38-42页 |
| ·知识库与不可分辨关系 | 第38-39页 |
| ·粗糙集理论中的上、下近似 | 第39-40页 |
| ·非确定性的数字特征 | 第40页 |
| ·知识表达系统与决策表 | 第40-41页 |
| ·属性的重要性 | 第41-42页 |
| ·决策表的简化 | 第42页 |
| ·基于粗糙集理论的信息融合方法 | 第42-43页 |
| ·基于粗糙集理论的信任函数构造方法 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 6 基于粗糙集和神经网络的信息融合方法 | 第46-52页 |
| ·决策表简化 | 第46-48页 |
| ·基于粗糙集和神经网络的信息融合 | 第48-51页 |
| ·本章小结 | 第51-52页 |
| 7 基于神经网络模糊积分的决策信息融合 | 第52-56页 |
| ·模糊测度和模糊积分 | 第52-54页 |
| ·决策融合的模糊积分方法 | 第54-55页 |
| ·仿真分析 | 第55页 |
| ·本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
