| 摘要 | 第1-7页 |
| Abstract | 第7-14页 |
| 第1章 绪论 | 第14-28页 |
| ·数据融合的基本概念及应用 | 第14-15页 |
| ·数据融合技术研究的历史和现状 | 第15-16页 |
| ·数据融合的一般功能模型 | 第16-17页 |
| ·信息融合的结构模型 | 第17-23页 |
| ·检测级融合结构 | 第17-19页 |
| ·位置级融合结构 | 第19-22页 |
| ·目标识别融合结构 | 第22-23页 |
| ·数据融合存在的关键问题 | 第23-26页 |
| ·红外小目标的检测 | 第23-24页 |
| ·多传感器多目标跟踪 | 第24-26页 |
| ·多传感器的目标分类识别 | 第26页 |
| ·本文主要工作 | 第26-28页 |
| 第2章 基于小波分析的低信噪比红外图像弱小目标检测 | 第28-50页 |
| ·引言 | 第28页 |
| ·红外图像弱小目标检测方法概述 | 第28-37页 |
| ·红外弱小目标模型 | 第28-29页 |
| ·红外弱小目标检测算法 | 第29-37页 |
| ·基于小波分析的红外弱小目标检测 | 第37-43页 |
| ·小波分析的理论基础 | 第37-39页 |
| ·基于小波分析及自适应门限的红外弱小目标检测 | 第39-43页 |
| ·仿真实验 | 第43-49页 |
| ·本章小结 | 第49-50页 |
| 第3章 多目标跟踪的数据关联 | 第50-72页 |
| ·引言 | 第50页 |
| ·数据融合多目标跟踪的基本理论 | 第50-51页 |
| ·几种典型多目标跟踪关联方法 | 第51-55页 |
| ·最近邻算法 | 第52-53页 |
| ·概率数据滤波算法 | 第53-55页 |
| ·基于 S-D算法的同类传感器静态数据关联 | 第55-63页 |
| ·问题的描述 | 第55-57页 |
| ·量测的约束 | 第57-58页 |
| ·基本粒子群优化算法 | 第58-59页 |
| ·用 PSO算法求解 | 第59-62页 |
| ·仿真分析 | 第62-63页 |
| ·基于模糊 C-均值聚类的异类传感器数据关联算法 | 第63-69页 |
| ·FCM算法 | 第64-65页 |
| ·雷达与ESM数据关联 | 第65-68页 |
| ·数据融合与跟踪 | 第68-69页 |
| ·仿真分析 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 第4章 模糊自适应航迹融合 | 第72-83页 |
| ·引言 | 第72页 |
| ·基本原理 | 第72-74页 |
| ·特征提取 | 第74页 |
| ·模糊推理 | 第74-78页 |
| ·模糊推理的含义 | 第74-75页 |
| ·模糊推理的基础知识 | 第75-77页 |
| ·模糊推理的基本内容 | 第77页 |
| ·本文的模糊推理设计 | 第77-78页 |
| ·仿真分析 | 第78-82页 |
| ·本章小结 | 第82-83页 |
| 第5章 目标识别决策融合的模糊模型和算法研究 | 第83-113页 |
| ·引言 | 第83-84页 |
| ·目标识别决策融合及其模型的建立 | 第84-89页 |
| ·目标识别决策融合问题描述 | 第84-86页 |
| ·多传感器目标识别决策融合模型 | 第86-89页 |
| ·基于BP神经网络的特征分类 | 第89-94页 |
| ·分类识别的原理 | 第89页 |
| ·分类器的选择 | 第89-90页 |
| ·BP神经网络的结构和算法 | 第90-93页 |
| ·BP神经网络的分类原理 | 第93-94页 |
| ·基于模糊积分的目标识别决策融合 | 第94-106页 |
| ·模糊积分的基本原理 | 第94-99页 |
| ·基于模糊积分的目标识别决策融合模型 | 第99-102页 |
| ·模糊密度赋值 | 第102-106页 |
| ·仿真实验结果与分析 | 第106-112页 |
| ·仿真实验环境 | 第106-107页 |
| ·仿真实验一 | 第107-109页 |
| ·仿真实验二 | 第109-112页 |
| ·本章小结 | 第112-113页 |
| 结论 | 第113-115页 |
| 参考文献 | 第115-125页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第125-126页 |
| 致谢 | 第126-127页 |
| 个人简历 | 第127页 |