多源传感器数据融合及其在目标检测中的应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-24页 |
| 1.1 研究工作的背景 | 第10-16页 |
| 1.1.1 WSN的概念 | 第10-11页 |
| 1.1.2 WSN的通信体系结构 | 第11-15页 |
| 1.1.3 WSN的主要技术 | 第15-16页 |
| 1.2 研究工作的意义 | 第16-17页 |
| 1.3 国内外研究历史与现状 | 第17-22页 |
| 1.4 主要工作及内容安排 | 第22-24页 |
| 第二章 多源数据融合技术 | 第24-43页 |
| 2.1 多源数据融合技术的定义 | 第24-25页 |
| 2.2 多源数据融合的技术挑战 | 第25-27页 |
| 2.3 多源数据融合系统的功能模型 | 第27-31页 |
| 2.4 多源数据融合的级别 | 第31-33页 |
| 2.5 多源数据融合的处理结构 | 第33-35页 |
| 2.6 多源传感器融合技术和方法 | 第35-36页 |
| 2.7 多源传感器目标检测 | 第36-42页 |
| 2.7.1 Neyman-Pearson公式 | 第36-38页 |
| 2.7.2 Bayes公式 | 第38-42页 |
| 2.8 本章小结 | 第42-43页 |
| 第三章 基于传感器失效融合规则的目标检测 | 第43-57页 |
| 3.1 两种经典二元检测融合 | 第43-47页 |
| 3.1.1 最佳似然比检测 | 第43-46页 |
| 3.1.2 Counting Rule | 第46-47页 |
| 3.2 传感器失效融合规则 | 第47-51页 |
| 3.2.1 传感器失效模型 | 第47-50页 |
| 3.2.2 传感器失效融合规则 | 第50-51页 |
| 3.3 实验与性能分析 | 第51-55页 |
| 3.4 本章小结 | 第55-57页 |
| 第四章 基于逻辑斯回归融合规则的目标检测 | 第57-75页 |
| 4.1 经典融合规则的探讨 | 第57-58页 |
| 4.2 基于机器学习方法的融合规则 | 第58-67页 |
| 4.2.1 机器学习的概述 | 第58-59页 |
| 4.2.2 经典机器学习的方法 | 第59-60页 |
| 4.2.3 基于逻辑斯回归融合规则的目标检测 | 第60-67页 |
| 4.3 实验与性能分析 | 第67-74页 |
| 4.4 本章小结 | 第74-75页 |
| 第五章 全文总结与展望 | 第75-77页 |
| 5.1 论文总结 | 第75-76页 |
| 5.2 前景展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 攻读硕士学位期间取得的成果 | 第83-84页 |
