| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-17页 |
| ·研究背景及意义 | 第11页 |
| ·国内外研究现状及发展趋势 | 第11-15页 |
| ·态势估计基础理论和实现技术 | 第12-13页 |
| ·贝叶斯网络在态势估计应用中的国内外现状 | 第13-14页 |
| ·基于本体(Ontology)的态势估计方法研究现状 | 第14页 |
| ·本体的概率扩展及其在态势估计中的应用现状 | 第14-15页 |
| ·本文的主要内容和组织结构 | 第15-17页 |
| 第2章 态势估计基础理论 | 第17-27页 |
| ·引言 | 第17页 |
| ·态势估计概念 | 第17页 |
| ·态势、态势要素基本概念 | 第17-18页 |
| ·态势估计功能模型 | 第18-22页 |
| ·一级结构：态势觉察 | 第19-21页 |
| ·二级结构：态势理解 | 第21-22页 |
| ·三级结构：态势预测 | 第22页 |
| ·态势估计中的知识表示 | 第22-23页 |
| ·态势估计中的不确定性推理 | 第23-26页 |
| ·常用的推理框架 | 第23-25页 |
| ·典型的不确定性推理方法 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 基于贝叶斯网络的态势估计方法 | 第27-41页 |
| ·引言 | 第27页 |
| ·贝叶斯网络基本理论 | 第27-29页 |
| ·贝叶斯定理 | 第27-28页 |
| ·贝叶斯网络概念 | 第28页 |
| ·贝叶斯网络构建 | 第28-29页 |
| ·贝叶斯网络推理 | 第29页 |
| ·态势估计中贝叶斯网络模型 | 第29-31页 |
| ·态势估计中自适应贝叶斯网络 | 第31-33页 |
| ·最大似然估计概念 | 第31-32页 |
| ·贝叶斯网缺值数据最大似然估计 | 第32-33页 |
| ·态势估计中贝叶斯网络参数学习 | 第33页 |
| ·态势估计中贝叶斯网络的模糊处理 | 第33-35页 |
| ·态势估计中贝叶斯网络推理 | 第35-36页 |
| ·贝叶斯网络工具箱(BNT)的使用 | 第36页 |
| ·实例分析 | 第36-40页 |
| ·小结 | 第40-41页 |
| 第4章 基于概率本体的态势估计模型 | 第41-54页 |
| ·引言 | 第41页 |
| ·本体基本理论 | 第41-44页 |
| ·本体的概念 | 第41页 |
| ·本体的形式化定义 | 第41-42页 |
| ·本体的描述语言 | 第42-44页 |
| ·本体的构建方法和构建工具 | 第44页 |
| ·态势估计本体 | 第44-46页 |
| ·态势估计本体功能 | 第44-45页 |
| ·态势估计本体构建 | 第45-46页 |
| ·态势估计本体的概率扩展 | 第46-49页 |
| ·态势估计本体概率扩展 | 第46-47页 |
| ·态势估计 BayesOWL 结构转换 | 第47页 |
| ·态势估计本体概率知识的表示 | 第47-49页 |
| ·态势估计本体和贝叶斯网络转换框架 | 第49-51页 |
| ·实例分析 | 第51-53页 |
| ·小结 | 第53-54页 |
| 第5章 基于贝叶斯网络的态势估计系统 | 第54-63页 |
| ·引言 | 第54页 |
| ·态势估计系统结构 | 第54-59页 |
| ·场景仿真模块 | 第55-56页 |
| ·信息融合模块 | 第56-58页 |
| ·贝叶斯网络推理模块 | 第58页 |
| ·态势结果显示模块 | 第58-59页 |
| ·态势估计场景仿真实现 | 第59-62页 |
| ·场景假定 | 第59-60页 |
| ·结果显示 | 第60-61页 |
| ·性能分析 | 第61-62页 |
| ·小结 | 第62-63页 |
| 第6章 总结和展望 | 第63-65页 |
| ·总结 | 第63-64页 |
| ·展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 | 第70页 |