宽带电场传感器测量数据融合技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第11-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 本文研究背景及意义 | 第16-17页 |
| 1.2 电场探头及其数据处理现状 | 第17-18页 |
| 1.3 目前存在的问题及解决办法 | 第18-19页 |
| 1.4 本文主要内容及结构安排 | 第19-22页 |
| 第二章 数据融合理论 | 第22-36页 |
| 2.1 数据融合基本概念 | 第22-25页 |
| 2.1.1 数据融合定义和原理 | 第22-23页 |
| 2.1.2 数据融合中信息的类型分类 | 第23-24页 |
| 2.1.3 数据融合层次划分 | 第24-25页 |
| 2.2 数据融合模型 | 第25-28页 |
| 2.3 数据融合方法 | 第28-34页 |
| 2.3.1 加权平均法 | 第28页 |
| 2.3.2 神经网络法 | 第28-29页 |
| 2.3.3 Kalman滤波算法 | 第29-31页 |
| 2.3.4 贝叶斯估计法 | 第31-33页 |
| 2.3.5 D-S证据推理方法 | 第33-34页 |
| 2.4 数据融合算法的局限性 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 宽带电场探头数据融合框架 | 第36-44页 |
| 3.1 宽带电场探头测量数据分析 | 第36-38页 |
| 3.2 宽带电场探头数据融合设计 | 第38-42页 |
| 3.2.1 数据获取 | 第39页 |
| 3.2.2 融合特征描述 | 第39-40页 |
| 3.2.3 决策描述 | 第40-42页 |
| 3.3 分析与小结 | 第42-44页 |
| 第四章 宽带电场探头决策融合算法研究 | 第44-68页 |
| 4.1 基于统计特性的决策融合 | 第44-50页 |
| 4.2 基于BP神经网络的决策融合 | 第50-56页 |
| 4.2.1 BP学习过程描述及使用 | 第50-54页 |
| 4.2.2 BP神经网络决策融合分析 | 第54-56页 |
| 4.3 基于KNN算法的决策融合 | 第56-60页 |
| 4.3.1 KNN算法介绍 | 第56-58页 |
| 4.3.2 KNN算法决策融合分析 | 第58-60页 |
| 4.4 基于SVM算法的决策融合 | 第60-65页 |
| 4.4.1 SVM原理及使用 | 第60-63页 |
| 4.4.2 SVM决策融合分析 | 第63-65页 |
| 4.5 四种决策融合结果对比分析 | 第65-67页 |
| 4.6 分析与小结 | 第67-68页 |
| 第五章 宽带电场探头数据融合软件实现 | 第68-84页 |
| 5.1 宽带电场探头数据融合软件总体设计 | 第68页 |
| 5.2 宽带电场探头数据融合软件实现 | 第68-75页 |
| 5.2.1 界面设计 | 第69-70页 |
| 5.2.2 串口通信模块 | 第70-74页 |
| 5.2.3 数据处理模块 | 第74-75页 |
| 5.3 软件系统测试 | 第75-81页 |
| 5.3.1 功能测试 | 第75-80页 |
| 5.3.2 性能测试 | 第80-81页 |
| 5.4 分析与小结 | 第81-84页 |
| 第六章 总结与展望 | 第84-86页 |
| 6.1 结论 | 第84-85页 |
| 6.2 未来工作展望 | 第85-86页 |
| 参考文献 | 第86-90页 |
| 致谢 | 第90-92页 |
| 作者简介 | 第92-93页 |
