| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 前言 | 第7-8页 |
| 1 数据融合基本理论 | 第8-20页 |
| ·数据融合的基本概念 | 第8页 |
| ·数据融合的发展 | 第8-10页 |
| ·数据融合的原理及理论方法 | 第10-16页 |
| ·基本原理 | 第10页 |
| ·数据融合的处理过程 | 第10-11页 |
| ·数据融合的功能模型 | 第11-13页 |
| ·数据融合在军事领域应用的模型 | 第13-14页 |
| ·数据融合的结构 | 第14-16页 |
| ·数据融合的关键技术 | 第16页 |
| ·数据融合的算法 | 第16-19页 |
| ·本章小结 | 第19-20页 |
| 2 不确定推理方法研究 | 第20-30页 |
| ·引言 | 第20页 |
| ·基于贝叶斯推理的数据融合 | 第20-23页 |
| ·贝叶斯推理的基本原理 | 第20-21页 |
| ·数据融合中的贝叶斯推理 | 第21-22页 |
| ·贝叶斯推理的应用实例 | 第22-23页 |
| ·贝叶斯推理方法的优缺点 | 第23页 |
| ·基于D-S 证据理论的数据融合 | 第23-26页 |
| ·D-S 证据理论的基本概念 | 第23-24页 |
| ·D-S 证据理论的合成规则与决策规则 | 第24-25页 |
| ·融合实例 | 第25-26页 |
| ·D-S 融合规则与融合模型的改进 | 第26-28页 |
| ·改进方法 | 第26-27页 |
| ·改进方法的数值试验 | 第27-28页 |
| ·D-S 证据理论与贝叶斯推理的比较 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 3 基于粗糙集的数据融合 | 第30-40页 |
| ·引言 | 第30页 |
| ·粗糙集简介 | 第30-34页 |
| ·知识与知识库 | 第30-31页 |
| ·粗糙集的基本概念 | 第31-32页 |
| ·非确定性的数字特征 | 第32页 |
| ·知识约简 | 第32-33页 |
| ·知识的依赖性 | 第33-34页 |
| ·知识表达 | 第34-36页 |
| ·知识表达系统 | 第34-35页 |
| ·决策表 | 第35页 |
| ·决策表的简化 | 第35-36页 |
| ·粗糙集理论与D-S 证据理论和模糊集理论的对比分析 | 第36页 |
| ·基于粗糙集理论的数据融合实例 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 4 基于神经网络的数据融合方法 | 第40-49页 |
| ·引言 | 第40页 |
| ·人工神经网络的理论基础 | 第40-42页 |
| ·神经元模型 | 第40-41页 |
| ·神经网络的结构模型 | 第41-42页 |
| ·神经网络的学习算法 | 第42页 |
| ·神经网络的特点和优越性 | 第42页 |
| ·BP 神经网络简介 | 第42-46页 |
| ·BP 神经网络的结构 | 第42-43页 |
| ·BP 学习算法与改进 | 第43-44页 |
| ·BP 神经网络设计 | 第44-46页 |
| ·基于BP 神经网络的数据融合 | 第46-48页 |
| ·样本数据及其预处理 | 第46-47页 |
| ·数据融合的神经网络模型与算法 | 第47页 |
| ·融合结果 | 第47-48页 |
| ·结果分析 | 第48页 |
| ·本章小结 | 第48-49页 |
| 5 粗糙集与神经网络结合的数据融合 | 第49-63页 |
| ·引言 | 第49页 |
| ·算法概述 | 第49-51页 |
| ·连续属性值离散处理 | 第51-53页 |
| ·SOM 神经网络理论 | 第51-53页 |
| ·基于SOM 网络的连续属性值离散处理 | 第53页 |
| ·粗糙集数据分析 | 第53-55页 |
| ·粗糙隶属函数 | 第54页 |
| ·规则的匹配度和适用度 | 第54-55页 |
| ·BP 神经网络的建立与训练 | 第55页 |
| ·系统的融合与决策算法 | 第55-56页 |
| ·仿真研究 | 第56-62页 |
| ·本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-67页 |
| 在校期间发表的论文 | 第67页 |