| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 创新点摘要 | 第6-10页 |
| 第一章 概述 | 第10-15页 |
| ·研究背景与意义 | 第10-11页 |
| ·目前情况 | 第11-12页 |
| ·多传感器信息融合技术的研究现状 | 第12-13页 |
| ·论文主要内容 | 第13-15页 |
| 第二章 多传感器信息融合理论 | 第15-21页 |
| ·多传感器信息融合定义 | 第15页 |
| ·多传感器信息融合理论的优势 | 第15-16页 |
| ·多传感器信息融合层次化描述 | 第16-18页 |
| ·多传感器信息融合算法 | 第18-20页 |
| ·小结 | 第20-21页 |
| 第三章 多传感器信息融合前数据处理 | 第21-30页 |
| ·引言 | 第21页 |
| ·多传感器“系统对时”与延时处理 | 第21-22页 |
| ·多传感器时间匹配的处理方法 | 第22-26页 |
| ·虚拟融合法 | 第22-23页 |
| ·时间点聚类法 | 第23-24页 |
| ·曲线拟合法 | 第24-26页 |
| ·信息融合时权的分配问题 | 第26-28页 |
| ·小结 | 第28-30页 |
| 第四章 基于BP 神经网络的多传感器信息融合技术 | 第30-40页 |
| ·问题的提出 | 第30-31页 |
| ·神经网络理论概述 | 第31-33页 |
| ·神经元 | 第31-32页 |
| ·神经网络的学习规则 | 第32-33页 |
| ·反向传播神经网络 | 第33-36页 |
| ·BP 网络学习方法 | 第33-35页 |
| ·BP 算法存在的缺陷 | 第35-36页 |
| ·基于BP 神经网络的多传感器信息融合技术 | 第36-39页 |
| ·基本思想 | 第36-37页 |
| ·模型设计 | 第37-38页 |
| ·仿真研究 | 第38-39页 |
| ·小结 | 第39-40页 |
| 第五章 基于L-M 与RBF 神经网络的多传感器信息融合技术 | 第40-54页 |
| ·问题的提出 | 第40页 |
| ·L-M 优化方法 | 第40-42页 |
| ·基于L-M 神经网络信息融合技术模型设计 | 第42-44页 |
| ·解决过拟合的方法 | 第43-44页 |
| ·基于L-M 神经网络信息融合技术的仿真研究 | 第44-45页 |
| ·RBF 神经网络 | 第45-48页 |
| ·网络结构 | 第45-46页 |
| ·RBF 神经网络学习方法 | 第46-48页 |
| ·基于RBF 神经网络的多传感器信息融合技术 | 第48-52页 |
| ·改进的RBF 神经网络的技术 | 第48-51页 |
| ·仿真研究 | 第51-52页 |
| ·小结 | 第52-54页 |
| 第六章 基于L-M 和GA 相结合的多传感器信息融合技术 | 第54-64页 |
| ·问题的提出 | 第54页 |
| ·遗传算法的基本理论 | 第54-58页 |
| ·基本遗传算法数学模型 | 第55-56页 |
| ·遗传算法的优缺点 | 第56-57页 |
| ·遗传算法的构造过程 | 第57-58页 |
| ·遗传算法的改进 | 第58-59页 |
| ·遗传神经网络信息融合模型设计 | 第59-61页 |
| ·仿真研究 | 第61-62页 |
| ·小结 | 第62-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 发表文章目录 | 第68-69页 |
| 致谢 | 第69-70页 |
| 详细摘要 | 第70-74页 |