| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 前言 | 第9-20页 |
| ·课题背景 | 第9-10页 |
| ·信息融合技术的研究现状和发展趋势 | 第10-11页 |
| ·信息融合技术的形成与发展 | 第10-11页 |
| ·信息融合技术的未来发展趋势 | 第11页 |
| ·信息融合的基本理论 | 第11-16页 |
| ·信息融合的定义 | 第11页 |
| ·信息融合的处理过程与算法 | 第11-13页 |
| ·信息融合系统的级别和功能模型 | 第13-16页 |
| ·国内外粮情测控系统研究概况 | 第16-18页 |
| ·国外粮情测控系统研究概况 | 第16-17页 |
| ·我国粮情测控系统研究概况 | 第17-18页 |
| ·本论文的主要研究内容 | 第18页 |
| ·论文的结构安排 | 第18-19页 |
| ·本章小结 | 第19-20页 |
| 第二章 粮情测控智能决策系统结构介绍 | 第20-35页 |
| ·粮情测控系统的基本功能介绍 | 第20-21页 |
| ·粮情测控系统的体系结构 | 第21-23页 |
| ·系统体系结构分析 | 第21页 |
| ·系统体系结构设计 | 第21-22页 |
| ·系统的基本构成 | 第22-23页 |
| ·粮情测控系统结构设计与组建 | 第23-31页 |
| ·粮情测控系统的硬件结构设计 | 第24-28页 |
| ·粮情测控系统的软件功能介绍 | 第28-31页 |
| ·分布式粮情测控信息融合结构 | 第31-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 粮情测控系统同质传感器信息融合的智能决策 | 第35-44页 |
| ·分布图法 | 第35-36页 |
| ·Kalman 滤波器 | 第36-39页 |
| ·简单卡尔曼滤波算法基本描述 | 第36-37页 |
| ·改进的分散卡尔曼滤波器信息融合方法 | 第37-38页 |
| ·改进的分布式Kalman 滤波器信息融合仿真分析 | 第38-39页 |
| ·Bayes 估计融合算法 | 第39-43页 |
| ·Bayes 估计理论 | 第40页 |
| ·基于Bayes 估计最优数据融合估计 | 第40-41页 |
| ·Bayes 估计算法仿真分析 | 第41-43页 |
| ·改进的同质传感器信息融合的处理与应用 | 第43页 |
| ·本章小结 | 第43-44页 |
| 第四章 粮情测控系统异质传感器信息融合的智能决策 | 第44-60页 |
| ·人工神经网络 | 第44-45页 |
| ·RBF 神经网络算法 | 第45-48页 |
| ·RBF 神经网络的模型和结构 | 第45-46页 |
| ·RBF 神经网络的学习算法 | 第46-48页 |
| ·D-S 证据理论 | 第48-53页 |
| ·证据理论的基本理论 | 第49页 |
| ·D-S 证据理论的合成规则 | 第49-50页 |
| ·D-S 证据理论融合步骤及过程 | 第50-52页 |
| ·证据理论的缺点 | 第52-53页 |
| ·基于 BRF 神经网络与D-S 证据理论的信息融合 | 第53-59页 |
| ·BRF 神经网络和D-S 证据理论相结合的融合算法描述 | 第53-54页 |
| ·异质传感器信息融合决策结果与分析 | 第54-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| ·总结 | 第60页 |
| ·展望 | 第60-61页 |
| ·今后的主要研究工作 | 第60-61页 |
| ·粮情测控系统的发展趋势 | 第61页 |
| ·本章小结 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 个人简介 | 第67页 |
