| 第一章 绪论 | 第1-25页 |
| 1．1 多传感器信息融合与智能信息处理的必要性 | 第9-10页 |
| 1．1．1 多传感器信息融合 | 第9-10页 |
| 1．1．2 智能信息处理的优势 | 第10页 |
| 1．2 多传感器信息融合的若干问题 | 第10-19页 |
| 1．2．1 多传感器信息融合的处理模型 | 第10-12页 |
| 1．2．2 多传感器数据融合的结构问题 | 第12-17页 |
| 1．2．3 一般的融合方法 | 第17-18页 |
| 1．2．4 多传感器信息融合的应用 | 第18-19页 |
| 1．3 智能信息处理技术 | 第19-21页 |
| 1．4 本文的工作 | 第21-22页 |
| 参考文献 | 第22-25页 |
| 第二章 多传感器融合在移动机器人导航中的应用 | 第25-46页 |
| 2．1 引言 | 第25-26页 |
| 2．2 移动机器人的随机动态特性 | 第26-27页 |
| 2．3 移动机器人自定位 | 第27-31页 |
| 2．3．1 光电编码器的工作原理 | 第27-28页 |
| 2．3．2 超声波传感器的工作原理 | 第28-29页 |
| 2．3．3 Kalman滤波器 | 第29-30页 |
| 2．3．4 回朔式融合自定位方法 | 第30-31页 |
| 2．4 一种移动机器人运动控制方法 | 第31-39页 |
| 2．4．1 运动控制的概念 | 第31页 |
| 2．4．2 基于Takagi-Sugeno模型的变结构模糊神经网络及学习算法 | 第31-37页 |
| 2．4．3 系统结构及控制算法 | 第37-38页 |
| 2．4．4 仿真实验 | 第38-39页 |
| 2．4．5 结论 | 第39页 |
| 2．5 移动机器人避障中的多传感器融合 | 第39-44页 |
| 2．5．1 系统结构 | 第40-43页 |
| 2．5．2 仿真实验 | 第43页 |
| 2．5．3 结论 | 第43-44页 |
| 2．6 结束语 | 第44页 |
| 参考文献 | 第44-46页 |
| 第三章 Dempster-Shafer理论及其在信息融合中的应用 | 第46-57页 |
| 3．1 引言 | 第46页 |
| 3．2 基本理论 | 第46-50页 |
| 3．2．1 Dempster-Shafer理论 | 第47-48页 |
| 3．2．2 信任函数的解释 | 第48页 |
| 3．2．3 据理论与贝叶斯推理的比较 | 第48页 |
| 3．2．4 组合公式及冲突处理 | 第48-50页 |
| 3．3 基于神经网络的D-S理论应用于多传感器融合目标识别 | 第50-55页 |
| 3．3．1 CMAC网络的基本理论 | 第50-51页 |
| 3．3．2 BP网络的基本理论 | 第51页 |
| 3．3．3 系统实现和结构 | 第51-53页 |
| 3．3．4 仿真实验及结果讨论 | 第53-55页 |
| 3．3．5 结论 | 第55页 |
| 3．4 结束语 | 第55页 |
| 参考文献 | 第55-57页 |
| 第四章 多分类器组合算法的研究 | 第57-73页 |
| 4．1 引言 | 第57页 |
| 4．2 神经网络分类器 | 第57-59页 |
| 4．3 基于Dempster-Shafer理论的多分类器组合算法 | 第59-65页 |
| 4．3．1 确定分类器的基本概率分配（BPA）函数 | 第59-62页 |
| 4．3．2 组合算法 | 第62-63页 |
| 4．3．3 决策方法 | 第63页 |
| 4．3．4 实验测试 | 第63-65页 |
| 4．3．5 结论 | 第65页 |
| 4．4 基于模糊积分和遗传算法的多分类器组合算法 | 第65-71页 |
| 4．4．1 模糊积分与模糊测度的理论基础 | 第66-67页 |
| 4．4．2 基于模糊积分的组合方案 | 第67-68页 |
| 4．4．3 确定模糊测度 | 第68-69页 |
| 4．4．4 实验测试 | 第69-71页 |
| 4．4．5 结论 | 第71页 |
| 4．5 结束语 | 第71-72页 |
| 参考文献 | 第72-73页 |
| 第五章 基于粗糙集理论的智能信息处理 | 第73-91页 |
| 5．1 引言 | 第73-74页 |
| 5．2 粗糙集的基本理论 | 第74-79页 |
| 5．2．1 RST的知识表示—信息系统 | 第74页 |
| 5．2．2 不可分辨关系 | 第74-75页 |
| 5．2．3 集合逼近 | 第75页 |
| 5．2．4 部分相关性和一致性测量 | 第75-76页 |
| 5．2．5 相对属性简约、属性值简约和核 | 第76页 |
| 5．2．6 不可分辨矩阵和不可分辨关系 | 第76-78页 |
| 5．2．7 决策规则和确信度 | 第78-79页 |
| 5．3 粗糙集理论的特点 | 第79-80页 |
| 5．4 不完整信息系统 | 第80-81页 |
| 5．5 一种混合粗糙集数据分析新算法 | 第81-87页 |
| 5．5．1 基于遗传算法的量化方法 | 第81-82页 |
| 5．5．2 基于RSDA的多层次规则集的建立 | 第82页 |
| 5．5．3 决策过程 | 第82-83页 |
| 5．5．4 基于模糊逻辑的决策推理 | 第83-84页 |
| 5．5．5 验证 | 第84-86页 |
| 5．5．6 结论及研究方向 | 第86-87页 |
| 5．6 结束语 | 第87-88页 |
| 参考文献 | 第88-91页 |
| 第六章 粗糙集中不确定性的粗糙信息熵表示 | 第91-106页 |
| 6．1 引言 | 第91页 |
| 6．2 粗糙集理论中知识的粗糙性的表示 | 第91页 |
| 6．3 划分的概率表示 | 第91-92页 |
| 6．4 信息熵、条件熵及平均互信息 | 第92-93页 |
| 6．4．1 信息熵 | 第92页 |
| 6．4．2 条件熵 | 第92-93页 |
| 6．4．3 平均互信息 | 第93页 |
| 6．5 知识的不确定性与粗糙信息熵的关系 | 第93-95页 |
| 6．6 知识不确定性与平均互信息的关系 | 第95页 |
| 6．7 集合不确定性与粗糙信息熵的关系 | 第95-98页 |
| 6．7．1 普通集合不确定性的粗糙信息熵 | 第95-97页 |
| 6．7．2 模糊集合不确定性的粗糙信息熵 | 第97-98页 |
| 6．8 基于熵的属性简约 | 第98-105页 |
| 6．8．1 基于ind（P）和ind（D）交集的熵定义 | 第99-100页 |
| 6．8．2 基于最大未知程度的熵定义 | 第100-102页 |
| 6．8．3 改进的H_L（P→D） | 第102-104页 |
| 6．8．4 测试 | 第104-105页 |
| 6．9 结束语 | 第105页 |
| 参考文献 | 第105-106页 |
| 第七章 全文总结 | 第106-108页 |
| 附：博士期间发表或录用的论文 | 第108-109页 |
| 致谢 | 第109页 |
