| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-12页 |
| 1.2 国内外发展现状 | 第12-14页 |
| 1.3 本文的工作及其结构安排 | 第14-16页 |
| 第二章 基于多传感器的数据融合模型 | 第16-28页 |
| 2.1 多传感器融合的功能模型 | 第16-18页 |
| 2.2 多传感器融合的结构模型 | 第18-22页 |
| 2.2.1 检测级融合结构 | 第18-19页 |
| 2.2.2 位置级融合结构 | 第19-21页 |
| 2.2.3 目标识别的融合结构 | 第21-22页 |
| 2.3 基于多传感器数学模型的融合算法 | 第22-27页 |
| 2.3.1 基于参数的方法 | 第23-24页 |
| 2.3.2 基于信息论技术的方法 | 第24-27页 |
| 2.4 小结 | 第27-28页 |
| 第三章 特征级模式识别中基于峭度的多层阈值分类方法设计 | 第28-44页 |
| 3.1 统计中模式识别算法 | 第28-30页 |
| 3.1.1 基于统计算法的基本概念 | 第28-29页 |
| 3.1.2 统计模式识别算法简介 | 第29-30页 |
| 3.2 峭度算法简介 | 第30-31页 |
| 3.3 基于峭度在数据级的特征提取 | 第31-33页 |
| 3.4 基于数据级的初步报警算法 | 第33-34页 |
| 3.5 基于特征级的数据分析及算法设计 | 第34-43页 |
| 3.5.1 基于峭度的特征提取 | 第34-38页 |
| 3.5.2 入侵模式识别算法思路及设计 | 第38-40页 |
| 3.5.3 判决分析及结果 | 第40-43页 |
| 3.6 小结 | 第43-44页 |
| 第四章 特征级模式中基于小波包分解的人工神经网络分类方法设计 | 第44-60页 |
| 4.1 小波包分解介绍 | 第44-49页 |
| 4.1.1 小波包分解应用 | 第48-49页 |
| 4.2 数据时域特征提取 | 第49页 |
| 4.3 BP人工神经网络的分类器设计 | 第49-53页 |
| 4.3.1 人工神经网络简介 | 第49-50页 |
| 4.3.2 反向传播人工神经网络(BP网络) | 第50-53页 |
| 4.3.3 BP网络的设计分析 | 第53页 |
| 4.4 两种算法实现过程以及结果分析 | 第53-59页 |
| 4.4.1 基于峭度算法的特征级在BP人工神经网络上的应用 | 第53-57页 |
| 4.4.1.1 异常模式-拍 | 第54-55页 |
| 4.4.1.2 异常模式-攀爬 | 第55-56页 |
| 4.4.1.3 异常模式-摇 | 第56-57页 |
| 4.4.1.4 异常模式-倚靠 | 第57页 |
| 4.4.2 分类结果和分析 | 第57-59页 |
| 4.5 小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士学位期间研究成果 | 第67页 |
