| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-16页 |
| ·课题背景 | 第8-9页 |
| ·数据融合技术研究现状 | 第9-10页 |
| ·状态监测与诊断技术发展及其现状 | 第10-12页 |
| ·状态检测技术发展过程 | 第10-11页 |
| ·状态检测技术的国内外发展现状 | 第11-12页 |
| ·基于数据融合状态诊断技术研究现状 | 第12-14页 |
| ·课题研究目的和意义 | 第14页 |
| ·本文研究内容 | 第14-16页 |
| 2 数据融合 | 第16-27页 |
| ·数据融合原理 | 第16-17页 |
| ·数据融合过程 | 第17-18页 |
| ·数据融合技术 | 第18页 |
| ·数据融合层次 | 第18-21页 |
| ·数据层融合 | 第19页 |
| ·特征层融合 | 第19-20页 |
| ·决策层融合 | 第20页 |
| ·三种融合层次比较 | 第20-21页 |
| ·数据融合系统结构模型 | 第21-22页 |
| ·数据融合功能 | 第22-26页 |
| ·基本物理模型识别技术 | 第22-23页 |
| ·基于特征推理技术识别技术 | 第23-25页 |
| ·基于认识模型识别技术 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 3 D-S证据理论 | 第27-34页 |
| ·D-S证据理论基本概念 | 第27-28页 |
| ·D-S证据理论组合规则 | 第28页 |
| ·在不同识别框架下证据组合理论 | 第28-29页 |
| ·基于证据理论融合模型 | 第29-30页 |
| ·证据理论决策方法 | 第30-31页 |
| ·证据理论优缺点 | 第31页 |
| ·D-S算法分析 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 4 基于神经网络的数据融合方法 | 第34-47页 |
| ·人工神经网络简介 | 第34-35页 |
| ·神经网络拓扑结构 | 第35页 |
| ·神经网络学习方式 | 第35-36页 |
| ·径向基函数网络 | 第36-41页 |
| ·基本原理 | 第36页 |
| ·RBF神经元 | 第36-38页 |
| ·RBF神经网络拓扑结构 | 第38-39页 |
| ·映射关系 | 第39页 |
| ·RBF神经网络训练算法 | 第39-41页 |
| ·基于RBF神经网络数据融合算法 | 第41-43页 |
| ·RBF神经网络数据融合原理 | 第41-42页 |
| ·RBF神经网络数据融合结构 | 第42-43页 |
| ·RBF神经网络的Matlab仿真 | 第43-46页 |
| ·本章小结 | 第46-47页 |
| 5 基于RBF神经网络和D-S证据理论两级融合方法 | 第47-59页 |
| ·两级融合结构及功能 | 第47-48页 |
| ·基于RBFNN特征层融合 | 第48页 |
| ·基于D-S证据理论决策层融合 | 第48页 |
| ·试验仿真研究 | 第48-58页 |
| ·木材含水率检测实验平台 | 第48-50页 |
| ·特征层融合 | 第50-52页 |
| ·数据准备 | 第52-53页 |
| ·结果分析 | 第53-55页 |
| ·决策层融合 | 第55-58页 |
| ·本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读学位期间发表的学术论文 | 第64-65页 |
| 致谢 | 第65-66页 |