| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题的研究背景和意义 | 第10-11页 |
| 1.2 国内外发展现状 | 第11-12页 |
| 1.3 本文的研究内容 | 第12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第2章 无线传感器网络和数据融合技术概述 | 第14-29页 |
| 2.1 无线传感器网络概述 | 第14-18页 |
| 2.1.1 无线传感器网络的模型 | 第14-16页 |
| 2.1.2 无线传感器网络的应用领域 | 第16-18页 |
| 2.1.3 无线传感器网络的挑战 | 第18页 |
| 2.2 数据融合技术概述 | 第18-19页 |
| 2.3 数据融合技术的分类 | 第19-21页 |
| 2.3.1 基于源节点关系的分类 | 第19-20页 |
| 2.3.2 基于抽象级的分类 | 第20-21页 |
| 2.3.3 基于输入输出的分类 | 第21页 |
| 2.4 常用的数据融合方法 | 第21-23页 |
| 2.4.1 推理 | 第21-22页 |
| 2.4.2 估计 | 第22-23页 |
| 2.5 数据融合技术的架构和模型 | 第23-28页 |
| 2.5.1 基于数据模型 | 第23-24页 |
| 2.5.2 基于行为模型 | 第24-26页 |
| 2.5.3 基于角色模型 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于目标跟踪的移动传感器数据融合算法 | 第29-39页 |
| 3.1 引言 | 第29-30页 |
| 3.2 基于目标追踪的数据融合算法 | 第30-34页 |
| 3.2.1 算法的基本理论 | 第30-32页 |
| 3.2.2 算法的数据关联性 | 第32-34页 |
| 3.3 自适应目标追踪算法 | 第34-35页 |
| 3.4 仿真结果 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 一种优化的贝叶斯估计多传感器数据融合算法 | 第39-47页 |
| 4.1 引言 | 第39页 |
| 4.2 贝叶斯方法基础 | 第39-42页 |
| 4.2.1 简化的贝叶斯方法(Simplified Bayesian Approach,SB) | 第40页 |
| 4.2.2 改进的贝叶斯算法(Modified Bayesian Approach,MB) | 第40-42页 |
| 4.3 提出的算法 | 第42-43页 |
| 4.3.1 改进的前向滤波贝叶斯融合算法(F-MB) | 第42页 |
| 4.3.2 改进的后向滤波贝叶斯融合算法(MB-F) | 第42-43页 |
| 4.3.3 改进的前后向滤波贝叶斯融合算法(F-MB-F) | 第43页 |
| 4.4 实例分析：移动机器人局部定位 | 第43-46页 |
| 4.4.1 实验设置 | 第43-44页 |
| 4.4.2 评价标准 | 第44页 |
| 4.4.3 结果与讨论 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 一种基于模糊定位的高效数据融合算法 | 第47-56页 |
| 5.1 引言 | 第47-48页 |
| 5.2 相关工作 | 第48-49页 |
| 5.3 提出的方法 | 第49-51页 |
| 5.4 实例分析 | 第51-55页 |
| 5.4.1 仿真环境设置 | 第51-53页 |
| 5.4.2 评价标准 | 第53页 |
| 5.4.3 结果与讨论 | 第53-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 附录 | 第64页 |
