第一章 绪论 | 第1-21页 |
1.1 信息融合的定义与功能模型 | 第9-12页 |
1.2 信息融合中的态势估计技术 | 第12-14页 |
1.2.1 态势估计的定义 | 第12-13页 |
1.2.2 态势估计与威胁估计 | 第13-14页 |
1.3 信息融合及态势估计技术的国内外研究现状 | 第14-18页 |
1.4 本文的主要工作和内容安排 | 第18-21页 |
第二章 态势估计理论研究 | 第21-37页 |
2.1 态势估计问题分析 | 第21-31页 |
2.1.1 态势估计功能模型 | 第21-24页 |
2.1.2 态势估计推理框架 | 第24-28页 |
2.1.3 态势估计推理算法 | 第28-31页 |
2.2 态势估计的多级分层黑板模型 | 第31-35页 |
2.2.1 黑板结构原理简介 | 第31-33页 |
2.2.2 态势估计的多级分层黑板模型 | 第33-35页 |
2.3 本章小结 | 第35-37页 |
第三章 事件检测与目标编群方法 | 第37-55页 |
3.1 事件检测 | 第37-42页 |
3.1.1 辐射源事件 | 第37-38页 |
3.1.2 目标机动事件 | 第38-39页 |
3.1.3 基于模糊逻辑的事件检测方法 | 第39-42页 |
3.2 目标编群 | 第42-54页 |
3.2.1 态势估计的目标编群问题描述 | 第42-44页 |
3.2.2 基于模糊集理论的目标编群方法 | 第44-48页 |
3.2.3 群结构的递增形成 | 第48-49页 |
3.2.4 群结构的存储方式 | 第49-51页 |
3.2.5 群结构的动态维护 | 第51-54页 |
3.3 本章小结 | 第54-55页 |
第四章 态势知识库和态势估计的模板匹配算法 | 第55-69页 |
4.1 战场态势知识库 | 第55-60页 |
4.1.1 知识表示 | 第55-56页 |
4.1.2 模式 | 第56-57页 |
4.1.3 基于模式的态势知识库的建立 | 第57-60页 |
4.2 态势估计中基于模板匹配的知识推理算法 | 第60-62页 |
4.3 基于 CLIPS的模板匹配实现 | 第62-68页 |
4.3.1 CLIPS的知识表示 | 第62-63页 |
4.3.2 CLIPS的推理机制 | 第63-65页 |
4.3.3 事件及平台计划模板在 CLIPS中的表示 | 第65-66页 |
4.3.4 基于 CLIPS的模板匹配实现 | 第66-68页 |
4.4 本章小结 | 第68-69页 |
第五章 基于计划识别理论的态势估计研究 | 第69-93页 |
5.1 计划识别理论 | 第69-77页 |
5.1.1 计划识别理论概述 | 第69-71页 |
5.1.2 Kautz的计划识别表示 | 第71-73页 |
5.1.3 规划知识图 | 第73-75页 |
5.1.4 计划识别推理过程 | 第75-77页 |
5.2 基于STRIPS系统的计划识别模型研究 | 第77-86页 |
5.2.1 STRIPS规划系统 | 第77-81页 |
5.2.2 基于STRIPS系统的战术智能规划 | 第81-85页 |
5.2.3 基于STRIPS系统的战术计划识别 | 第85-86页 |
5.3 面向多代理计划识别的态势估计系统 | 第86-92页 |
5.3.1 态势估计的多代理计划识别模型 | 第86-87页 |
5.3.2 多代理体系结构 | 第87-90页 |
5.3.3 多代理模板实例化算法 | 第90-92页 |
5.4 本章小结 | 第92-93页 |
第六章 态势估计的不确定性因果推理方法 | 第93-111页 |
6.1 基于 D-S证据理论的态势估计方法 | 第93-96页 |
6.1.I D-S证据理论 | 第93-95页 |
6.1.2 D-S证据理论在态势估计中的应用 | 第95-96页 |
6.1.3 一个例子 | 第96页 |
6.2 贝叶斯网络及其在态势估计中的应用研究 | 第96-108页 |
6.2.1 贝叶斯网络及其推理模式 | 第97-100页 |
6.2.2 用于态势估计的贝叶斯网络 | 第100-106页 |
6.2.3 基于贝叶斯网络的空-空作战态势推演 | 第106-108页 |
6.3 讨论 | 第108-109页 |
6.4 本章小结 | 第109-111页 |
结束语 | 第111-114页 |
致谢 | 第114-115页 |
参考文献 | 第115-125页 |
在读期间的研究成果 | 第125页 |