| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究进展 | 第9-10页 |
| 1.2.1 国外研究进展 | 第9-10页 |
| 1.2.2 国内研究进展 | 第10页 |
| 1.3 本文主要研究内容及技术路线 | 第10-14页 |
| 1.3.1 使用传统数学算法对异类传感器的数据融合进行研究 | 第10-12页 |
| 1.3.2 使用计算智能方法对数据融合进行研究 | 第12页 |
| 1.3.3 对数据融合技术在吸尘机器人避障中的应用进行研究 | 第12-14页 |
| 2 多传感器数据融合技术实现路线 | 第14-20页 |
| 2.1 多传感器数据融合技术 | 第14页 |
| 2.2 多传感器数据融合类型 | 第14-18页 |
| 2.2.1 检测级融合 | 第14页 |
| 2.2.2 位置级融合 | 第14-16页 |
| 2.2.3 属性级融合 | 第16-17页 |
| 2.2.4 态势评估 | 第17-18页 |
| 2.2.5 威胁估计 | 第18页 |
| 2.3 多传感器数据融合当前存在的问题及未来研究方向 | 第18页 |
| 2.4 本章小结 | 第18-20页 |
| 3 多传感器数据融合的传统数学算法 | 第20-30页 |
| 3.1 异质多传感器数据融合 | 第20-28页 |
| 3.1.1 异质传感器的自适应加权融合 | 第21-24页 |
| 3.1.2 算法仿真 | 第24-25页 |
| 3.1.3 算法改进 | 第25页 |
| 3.1.4 改进算法仿真 | 第25-28页 |
| 3.2 本章小结 | 第28-30页 |
| 4 多传感器数据融合的计算智能算法 | 第30-42页 |
| 4.1 BP神经网络的设计 | 第31-32页 |
| 4.1.1 神经网络的隐含层层数选取 | 第31页 |
| 4.1.2 神经网络隐含层神经元数目选取 | 第31-32页 |
| 4.1.3 神经元函数的选取 | 第32页 |
| 4.2 BP神经网络的训练 | 第32-38页 |
| 4.2.1 隐含层到输出层权值更新 | 第32-34页 |
| 4.2.2 输入层到隐含层权值更新 | 第34页 |
| 4.2.3 初始权值的选取 | 第34-35页 |
| 4.2.4 BP神经网络在多传感器数据融合应用中的仿真分析 | 第35-38页 |
| 4.3 改进的BP神经网络 | 第38-41页 |
| 4.3.1 附加动量项的BP神经网络 | 第39页 |
| 4.3.2 附加动量项的BP神经网络在多传感器数据融合应用中的仿真分析 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 多传感器数据融合在吸尘机器人自主避障中的应用 | 第42-60页 |
| 5.1 机器人环境感知分类 | 第43-44页 |
| 5.2 建立机器人运动参考坐标系 | 第44页 |
| 5.3 构建模糊神经网络 | 第44-50页 |
| 5.3.1 模糊控制器的设计 | 第46-49页 |
| a. 模糊化 | 第46-47页 |
| b. 制定模糊推理规则 | 第47-49页 |
| c. 反模糊化 | 第49页 |
| 5.3.2 模糊神经网络的学习 | 第49-50页 |
| a. 误差计算 | 第50页 |
| b. 参数调整 | 第50页 |
| 5.4 仿真实验 | 第50-59页 |
| 5.4.1 利用MATLAB模糊工具箱建立模糊系统 | 第50-53页 |
| 5.4.2 无障碍情况下机器人运行路径仿真 | 第53-54页 |
| 5.4.3 有障碍情况下机器人运行路径仿真 | 第54-57页 |
| 5.4.4 优化控制规则 | 第57-58页 |
| 5.4.5 优化控制规则后仿真 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 附录 | 第68-72页 |
