| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 引言 | 第8-13页 |
| 1.1 课题背景及来源 | 第8-9页 |
| 1.2 课题研究目的与意义 | 第9-10页 |
| 1.3 国内外发展现状 | 第10-11页 |
| 1.4 课题研究内容及组织结构 | 第11-13页 |
| 第2章 多传感器数据融合理论 | 第13-23页 |
| 2.1 数据融合综述 | 第13-15页 |
| 2.1.1 数据融合的定义 | 第13页 |
| 2.1.2 数据融合的方式 | 第13-15页 |
| 2.2 数据融合的多源数据采集及多源同步特征获取 | 第15-20页 |
| 2.2.1 多源数据来源 | 第15-17页 |
| 2.2.2 多源特征提取 | 第17-18页 |
| 2.2.3 多源信息的同步 | 第18-20页 |
| 2.3 数据融合的算法 | 第20-22页 |
| 2.3.1 Bayes估计法 | 第20页 |
| 2.3.2 D-S证据推理 | 第20-21页 |
| 2.3.3 人工神经网络 | 第21页 |
| 2.3.4 支持向量机 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 相关向量机及其在分类中的应用 | 第23-36页 |
| 3.1 相关向量机基本原理 | 第23-26页 |
| 3.1.1 相关向量机回归 | 第24-26页 |
| 3.1.2 RVM与SVM对比分析 | 第26页 |
| 3.2 RVM多类分类 | 第26-29页 |
| 3.2.1“一对余”(One Against Rest，OAR)分类法 | 第27页 |
| 3.2.2“一对一”(One Against One，OAO)分类法 | 第27-28页 |
| 3.2.3“二叉树”(Binary Tree，BT)分类法 | 第28页 |
| 3.2.4“有向无环图”(Direct Acyclic Graph，DAG)分类法 | 第28-29页 |
| 3.3 改进的OAO-RVM方法 | 第29-35页 |
| 3.3.1 改进OAO-RVM的主要思想 | 第30-31页 |
| 3.3.2 改进OAO-RVM与传统OAO-RVM的比较分析 | 第31-33页 |
| 3.3.3 仿真实验 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于多源信息融合的IPSO-MSK-RVM算法 | 第36-47页 |
| 4.1 IPSO-MSK-RVM模型 | 第36页 |
| 4.2 多核 | 第36-39页 |
| 4.2.1 核函数理论 | 第36-38页 |
| 4.2.2 多核 | 第38-39页 |
| 4.3 粒子群算法 | 第39-46页 |
| 4.3.1 粒子群算法起源与理论知识 | 第39-42页 |
| 4.3.2 粒子群算法的改进 | 第42-44页 |
| 4.3.3 改进PSO的实验 | 第44-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 感知节点的设计与分析 | 第47-54页 |
| 5.1 感知节点的结构 | 第47-49页 |
| 5.2 车型识别系统 | 第49-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第6章 结论与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 进一步工作的方向 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读学位期间的研究成果 | 第60页 |
