智能雷中基于数据融合的目标识别技术研究
| 摘要 | 第1-3页 |
| Abstract | 第3-4页 |
| 目录 | 第4-6页 |
| 1 绪论 | 第6-14页 |
| ·智能雷 | 第6-10页 |
| ·智能雷概述 | 第6页 |
| ·智能雷的探测识别系统 | 第6-8页 |
| ·智能雷声目标识别技术综述 | 第8-10页 |
| ·多传感器数据融合技术概述 | 第10-12页 |
| ·论文的研究内容、目的和意义 | 第12页 |
| ·论文的主要工作和贡献 | 第12-14页 |
| 2 智能雷中多传感器数据融合目标识别 | 第14-22页 |
| ·多传感器数据融合技术 | 第14-19页 |
| ·多传感器数据融合技术的基本原理 | 第14-15页 |
| ·多传感器数据融合的层次 | 第15-16页 |
| ·多传感器数据融合的结构 | 第16-17页 |
| ·多传感器数据融合的方法 | 第17-19页 |
| ·智能雷中的多传感器数据融合目标识别 | 第19-21页 |
| ·目标探测与分类识别系统 | 第19-20页 |
| ·目标识别的数据融合 | 第20页 |
| ·目标识别融合系统的处理结构 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 3 智能雷中信号预处理和特征提取 | 第22-31页 |
| ·信号去噪 | 第22-25页 |
| ·中值滤波 | 第22页 |
| ·加权递推平均滤波 | 第22-23页 |
| ·复合滤波法 | 第23页 |
| ·声信号预处理结果 | 第23-25页 |
| ·信号的功率谱分析 | 第25-27页 |
| ·功率谱估计法 | 第25-26页 |
| ·声信号功率谱分析 | 第26-27页 |
| ·信号的参数特征提取 | 第27-30页 |
| ·信号的AR模型参数特征分析 | 第27-28页 |
| ·特征提取准则 | 第28-29页 |
| ·特征提取结果 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 4 神经网络分类器设计 | 第31-39页 |
| ·神经网络结构和模型 | 第31-33页 |
| ·BP网络学习算法 | 第33-34页 |
| ·目标识别中神经网络分类器的设计 | 第34-37页 |
| ·网络结构 | 第35-36页 |
| ·网络学习 | 第36-37页 |
| ·目标分类识别实验 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 5 分布式统计决策融合目标识别 | 第39-46页 |
| ·分布式统计决策准则 | 第39-40页 |
| ·判决规则 | 第40页 |
| ·融合中心的决策融合算法 | 第40-43页 |
| ·实例计算 | 第43页 |
| ·分布式统计决策融合目标识别实验 | 第43-44页 |
| ·统计决策融合方法讨论 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 6 基于不确定推理的目标识别融合 | 第46-63页 |
| ·不确定推理方法 | 第46-51页 |
| ·主观Bayes法 | 第46-48页 |
| ·证据理论 | 第48-51页 |
| ·主观Bayes方法的应用 | 第51-52页 |
| ·证据理论的应用 | 第52-62页 |
| ·D-S方法的基本应用过程 | 第52-53页 |
| ·基于证据理论的应用算例分析 | 第53-54页 |
| ·证据理论和主观贝叶斯方法的比较 | 第54-55页 |
| ·D-S证据理论的递推融合 | 第55-57页 |
| ·基于神经网络的基本概率赋值函数的构造 | 第57-59页 |
| ·D-S方法在探测目标识别融合中的实验 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
