摘要 | 第10-12页 |
ABSTRACT | 第12-13页 |
第一章 绪论 | 第14-19页 |
1.1 多源信息融合的研究背景 | 第14页 |
1.2 多源信息融合的研究现状 | 第14-16页 |
1.3 论文的主要研究内容及意义 | 第16-18页 |
1.3.1 多源信息融合中连续变量离散化算法的研究 | 第16-17页 |
1.3.2 多源信息融合中多属性权重分配算法的研究 | 第17页 |
1.3.3 加入权重的贝叶斯网络算法研究 | 第17-18页 |
1.4 论文章节安排 | 第18-19页 |
第二章 多源信息融合概述 | 第19-30页 |
2.1 多源信息融合系统 | 第19-21页 |
2.1.1 自然界中的多源信息融合系统 | 第19-20页 |
2.1.2 多传感器系统 | 第20-21页 |
2.1.3 多源信息融合系统的优势 | 第21页 |
2.2 多源信息融合的主要研究方向 | 第21-23页 |
2.2.1 多源信息融合理论 | 第22页 |
2.2.2 多源信息融合框架与模型 | 第22页 |
2.2.3 多源信息的数据分析与处理 | 第22页 |
2.2.4 多源数据融合算法 | 第22-23页 |
2.3 多源信息融合中主要的数据融合算法 | 第23-24页 |
2.3.1 贝叶斯网络算法 | 第23页 |
2.3.2 D-S证据理论 | 第23-24页 |
2.3.3 人工神经网络算法 | 第24页 |
2.4 多源信息融合中的贝叶斯网络算法 | 第24-29页 |
2.4.1 贝叶斯网络定义 | 第24-26页 |
2.4.2 贝叶斯网络框架 | 第26-28页 |
2.4.3 贝叶斯网络的优势 | 第28-29页 |
2.5 本章小结 | 第29-30页 |
第三章 多源信息融合中连续变量离散化算法的研究 | 第30-43页 |
3.1 多源信息融合中现有的数据离散化方法 | 第30-32页 |
3.1.1 连续变量的区间化离散方法 | 第30-31页 |
3.1.2 连续变量的频段化离散方法 | 第31-32页 |
3.1.3 现有方法评估 | 第32页 |
3.2 基于等期望值标准状态概率分配的连续变量离散化算法 | 第32-35页 |
3.2.1 算法流程 | 第33-34页 |
3.2.2 实例分析 | 第34-35页 |
3.3 基于标准状态概率-频率统计的贝叶斯参数学习算法 | 第35-36页 |
3.4 基于贝叶斯网络的连续变量离散化仿真分析 | 第36-42页 |
3.4.1 案例分析 | 第36-37页 |
3.4.2 网络框架 | 第37-40页 |
3.4.3 网络流程 | 第40页 |
3.4.4 仿真分析 | 第40-42页 |
3.5 本章小结 | 第42-43页 |
第四章 多源信息融合中多属性权重分配算法的研究 | 第43-59页 |
4.1 现有的权重分配算法简介 | 第43-46页 |
4.1.1 Delphi法 | 第43-44页 |
4.1.2 AHP算法 | 第44-46页 |
4.2 基于信息增益的多属性权重分配算法 | 第46-48页 |
4.2.1 信息熵 | 第46-47页 |
4.2.2 算法流程 | 第47-48页 |
4.3 基于信息增益的多离散属性权重分配算法仿真 | 第48-52页 |
4.4 基于信息增益的多连续属性权重分配算法仿真 | 第52-58页 |
4.4.1 算法框架 | 第52-53页 |
4.4.2 仿真分析 | 第53-58页 |
4.5 本章小结 | 第58-59页 |
第五章 多源信息融合中加入权重的贝叶斯网络算法研究 | 第59-80页 |
5.1 特征级加入权重的贝叶斯网络框架及算法研究 | 第59-69页 |
5.1.1 算法框架 | 第59-61页 |
5.1.2 基于证据支持的权重化证据信息方法 | 第61-62页 |
5.1.3 仿真分析 | 第62-69页 |
5.2 决策级加入权重的贝叶斯网络分类器框架及算法研究 | 第69-78页 |
5.2.1 算法框架 | 第69-71页 |
5.2.2 仿真分析 | 第71-78页 |
5.3 本章小结 | 第78-80页 |
第六章 总结与展望 | 第80-81页 |
6.1 总结 | 第80页 |
6.2 展望 | 第80-81页 |
参考文献 | 第81-88页 |
致谢 | 第88-89页 |
攻读学位期间的学术成果 | 第89-91页 |
附表 | 第91页 |