| 摘要Ⅰ | 第1-5页 |
| AbstractⅡ | 第5-10页 |
| 第1章 绪论 | 第10-16页 |
| ·数据融合的概念和意义 | 第10-11页 |
| ·数据融合算法综述 | 第11-13页 |
| ·随机类方法 | 第12-13页 |
| ·人工智能方法 | 第13页 |
| ·数据融合技术的理论研究现状与发展方向 | 第13-14页 |
| ·数据融合技术的研究现状 | 第13-14页 |
| ·数据融合技术的主要发展方向 | 第14页 |
| ·数据融合技术的应用 | 第14-15页 |
| ·本文研究的主要内容 | 第15-16页 |
| 第2章 多传感器数据融合的基本原理和系统模型 | 第16-24页 |
| ·数据融合的基本原理 | 第16-19页 |
| ·数据融合的基本原理 | 第16页 |
| ·数据融合的层次 | 第16-18页 |
| ·数据融合系统的关键技术 | 第18-19页 |
| ·多传感器数据融合的处理模型 | 第19-21页 |
| ·数据融合系统的结构模型 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 粗集理论与数据融合 | 第24-38页 |
| ·粗集理论的基本概念 | 第24-30页 |
| ·知识与知识库 | 第24-25页 |
| ·不精确范畴、近似与粗糙集 | 第25-26页 |
| ·知识约简和核 | 第26-27页 |
| ·知识的依赖性 | 第27-28页 |
| ·知识表达系统 | 第28页 |
| ·决策表 | 第28-29页 |
| ·区分矩阵与区分函数 | 第29-30页 |
| ·决策算法和决策规则 | 第30-31页 |
| ·决策规则和算法 | 第30-31页 |
| ·决策规则和算法的约简 | 第31页 |
| ·基于粗集理论的数据融合算法 | 第31-32页 |
| ·基于粗集理论的数据融合算法在目标识别中的应用 | 第32-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 D-S证据理论数据融合 | 第38-52页 |
| ·证据理论的基本概念 | 第38-39页 |
| ·Dempster组合规则 | 第39-42页 |
| ·两个信度函数的合成 | 第39-42页 |
| ·多个信度函数的合成 | 第42页 |
| ·基于证据理论的决策 | 第42-43页 |
| ·D-S理论在数据融合中的应用过程 | 第43-44页 |
| ·基于D-S证据理论融合的融合算法 | 第44-45页 |
| ·D-S证据理论融合识别的递推式 | 第45-51页 |
| ·证据理论的优缺点 | 第51页 |
| ·本章小结 | 第51-52页 |
| 第5章 神经网络数据融合 | 第52-67页 |
| ·神经网络的基本概念 | 第52-53页 |
| ·人工神经网络模型 | 第53-56页 |
| ·神经网络数据融合算法研究 | 第56-63页 |
| ·基于BP算法的多层前馈网络模型 | 第56-58页 |
| ·BP算法研究 | 第58-61页 |
| ·标准BP算法的改进 | 第61-62页 |
| ·BP网络中的神经元模型 | 第62页 |
| ·BP网络的训练过程 | 第62-63页 |
| ·神经网络在数据融合中的应用 | 第63-64页 |
| ·仿真实验 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第6章 一种混合结构数据融合方法在目别中的应用 | 第67-81页 |
| ·基于粗集理论和D-S理论的混合结构数据融合方法 | 第67-71页 |
| ·基于粗集理论和D-S理论的混合结构数据融合方法原理 | 第67-68页 |
| ·基于粗集理论和D-S理论的混合结构数据融合方法在目标识别中的应用 | 第68-71页 |
| ·基于粗集理论和神经网络的混合结构数据融合方法 | 第71-76页 |
| ·基于粗集理论和神经网络的混合结构数据融合方法原理 | 第71-73页 |
| ·仿真实验 | 第73-76页 |
| ·粗集理论、神经网络和D-S证据理论混合的数据融合方法 | 第76-79页 |
| ·三级混合的数据融合算法原理 | 第76-78页 |
| ·仿真实验 | 第78-79页 |
| ·三种方式融合的结果分析 | 第79-80页 |
| ·本章小结 | 第80-81页 |
| 结论 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 攻读硕士学位期间所发表的论文 | 第86-87页 |
| 致谢 | 第87-88页 |
| 作者简介 | 第88页 |
