| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·引言 | 第7-8页 |
| ·数据融合层次描述 | 第8-9页 |
| ·数据级融合 | 第8-9页 |
| ·特征级融合 | 第9页 |
| ·决策级融合 | 第9页 |
| ·数据融合结构 | 第9-11页 |
| ·数据融合技术的基本数学方法 | 第11-12页 |
| ·论文的结构和主要工作 | 第12-13页 |
| 第二章 传感器管理方法研究 | 第13-23页 |
| ·传感器管理任务 | 第13-15页 |
| ·传感器管理的内容 | 第13-14页 |
| ·传感器管理的体系结构 | 第14页 |
| ·传感器管理的作用 | 第14-15页 |
| ·传感器管理方法 | 第15-17页 |
| ·传统传感器管理算法 | 第15-16页 |
| ·智能传感器管理算法 | 第16页 |
| ·其他传感器管理算法 | 第16-17页 |
| ·基于QDPSO 算法的多传感器管理方法 | 第17-19页 |
| ·标准PSO 算法 | 第17页 |
| ·QDPSO 算法 | 第17-18页 |
| ·问题描述 | 第18-19页 |
| ·仿真实验 | 第19-21页 |
| ·基于QDPSO 传感器管理的算法流程 | 第19-20页 |
| ·仿真实验 | 第20-21页 |
| ·小结 | 第21-23页 |
| 第三章 基于BAYES 估计和最大熵方法的数据融合 | 第23-35页 |
| ·问题描述 | 第23页 |
| ·BAYES 估计 | 第23-24页 |
| ·最大熵方法 | 第24-26页 |
| ·信息熵 | 第24-25页 |
| ·条件熵 | 第25-26页 |
| ·连续型分布熵 | 第26页 |
| ·基于BAYES 估计和最大熵方法的数据融合 | 第26-29页 |
| ·利用最大熵法推导先验分布 | 第26-27页 |
| ·先验分布中参数的确定 | 第27-28页 |
| ·似然函数的求取 | 第28-29页 |
| ·最优融合估计的推导 | 第29页 |
| ·仿真实验 | 第29-33页 |
| ·小结 | 第33-35页 |
| 第四章 基于最小二乘法的状态融合估计 | 第35-47页 |
| ·问题描述 | 第36页 |
| ·单次测量同质传感器数据融合 | 第36-40页 |
| ·单次测量状态估计 | 第36-37页 |
| ·误差分析 | 第37-39页 |
| ·权值确定 | 第39-40页 |
| ·多次测量同质传感器数据融合 | 第40-41页 |
| ·基于递推最小二乘的多次测量状态估计 | 第40页 |
| ·权值确定 | 第40-41页 |
| ·同质传感器数据融合仿真试验 | 第41-43页 |
| ·算法流程 | 第41页 |
| ·仿真试验 | 第41-43页 |
| ·异质传感器数据融合 | 第43-46页 |
| ·基于最小二乘的异质传感器数据融合 | 第43-45页 |
| ·仿真实验 | 第45-46页 |
| ·小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| ·工作总结 | 第47-48页 |
| ·未来展望 | 第48-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 附录：作者在攻读硕士学位期间发表的论文和主要科研经历 | 第54页 |