摘要 | 第1-7页 |
ABSTRACT | 第7-13页 |
第1章 绪论 | 第13-29页 |
·研究背景和意义 | 第13-14页 |
·信息融合基本理论 | 第14-18页 |
·信息融合基本原理和定义 | 第14-15页 |
·信息融合功能模型 | 第15-18页 |
·数据融合处理结构 | 第18-22页 |
·数据融合结构 | 第18-20页 |
·数据融合的通用处理结构 | 第20-22页 |
·数据融合层次描述 | 第22-25页 |
·数据级融合 | 第22-23页 |
·特征级别融合 | 第23-24页 |
·决策级融合 | 第24-25页 |
·研究内容及目标 | 第25-27页 |
·本文的组织结构 | 第27-29页 |
第2章 多源信息融合关键技术研究概述 | 第29-44页 |
·信息融合的起源、发展与关键问题 | 第29-31页 |
·信息融合的起源与发展 | 第29-30页 |
·信息融合关键问题 | 第30-31页 |
·异构信息统一描述模型 | 第31-33页 |
·非完备信息的特征约简技术 | 第33-35页 |
·数据关联分析算法 | 第35-38页 |
·多源信息融合技术和方法 | 第38-42页 |
·本章小结 | 第42-44页 |
第3章 多源信息的随机集表示方法研究 | 第44-59页 |
·问题的提出 | 第44-45页 |
·随机集相关概念 | 第45-46页 |
·概率空间与可测空间 | 第45-46页 |
·随机集的基本概念 | 第46页 |
·不确定信息的随机集表示 | 第46-50页 |
·证据理论的随机集表示 | 第47-49页 |
·模糊集合的随机集表示 | 第49-50页 |
·随机集框架下异类信息的表示与融合 | 第50-54页 |
·传感器数据的基本概率分配的随机集表示 | 第51-52页 |
·专家意见的基本概率分配的随机集表示 | 第52-53页 |
·随机集框架下的融合公式 | 第53-54页 |
·应用举例 | 第54-57页 |
·本章小结 | 第57-59页 |
第4章 基于预测值的空值估算算法研究 | 第59-79页 |
·问题的提出 | 第59-64页 |
·相关概念 | 第64-66页 |
·基本定义 | 第64-65页 |
·基于SIM-EM 的估值算法 | 第65-66页 |
·基于预测值的空值估算算法 | 第66-71页 |
·预测值计算 | 第67-68页 |
·特征加权 | 第68-70页 |
·Prediction-EM 算法描述 | 第70-71页 |
·实验分析 | 第71-78页 |
·实例分析 | 第71-77页 |
·对比分析 | 第77-78页 |
·本章小结 | 第78-79页 |
第5章 基于存在型空值插补的非完备信息系统特征约简算法研究 | 第79-94页 |
·问题的提出 | 第79-81页 |
·几种对粗糙集关系的扩展 | 第81-84页 |
·容差关系 | 第81-82页 |
·非对称相似关系 | 第82-83页 |
·量化容差关系 | 第83页 |
·限制容差关系 | 第83-84页 |
·基于存在型空值插补的限制容差关系 | 第84-85页 |
·特征重要度计算方法 | 第85-87页 |
·启发式约简算法 | 第87-88页 |
·实验与性能分析 | 第88-93页 |
·实验与分析 | 第88-92页 |
·算法复杂度分析 | 第92-93页 |
·本章小结 | 第93-94页 |
第6章 基于预测可信度的分布式D-S 证据理论数据融合方法 | 第94-109页 |
·问题的提出 | 第94-95页 |
·D-S 证据理论 | 第95-99页 |
·D-S 证据理论的基本概念 | 第96-97页 |
·D-S 证据理论的合成规则 | 第97-98页 |
·多证据源合成规则 | 第98-99页 |
·可信度系数计算方法 | 第99-101页 |
·基于分布式的可信度系数计算 | 第99-101页 |
·可信度系数平衡因子训练方法 | 第101页 |
·基于预测可信度的分布式D-S 证据融合算法 | 第101-104页 |
·基于可信度的D-S 融合公式 | 第101-103页 |
·分布式D-S 融合算法 | 第103-104页 |
·仿真实验 | 第104-107页 |
·训练预测可信度平衡因子实验 | 第104-106页 |
·基于预测可信度分布式融合算法性能对比 | 第106-107页 |
·本章小结 | 第107-109页 |
结论 | 第109-111页 |
参考文献 | 第111-121页 |
攻读博士学位期间发表的论文和取得的科研成果 | 第121-122页 |
致谢 | 第122-123页 |
个人简历 | 第123页 |