| 目录 | 第1-6页 |
| 第1章 绪论 | 第6-11页 |
| 1．1 多目标跟踪的概况 | 第6页 |
| 1．2 数据融合的发展及研究现状 | 第6-7页 |
| 1．3 论文研究的意义 | 第7-10页 |
| 1．4 论文主要内容 | 第10-11页 |
| 第2章 数据融合技术及其算法 | 第11-23页 |
| 2．1 数据融合技术概述 | 第11-14页 |
| 2．1．1 数据融合的基本原理与定义 | 第11-12页 |
| 2．1．2 数据融合的层级 | 第12-13页 |
| 2．1．3 数据融合系统的结构模型和功能模型 | 第13-14页 |
| 2．1．4 数据融合技术的应用 | 第14页 |
| 2．2 数据融合算法 | 第14-23页 |
| 2．2．1 Bayes推理 | 第14-15页 |
| 2．2．2 D-S(Dempster-Shafer)证据理论 | 第15-17页 |
| 2．2．3 卡尔曼(Kalman)滤波 | 第17-18页 |
| 2．2．4 神经网络技术 | 第18-22页 |
| 2．2．5 基于模糊理论的融合方法 | 第22-23页 |
| 第3章 基于模糊理论的多目标跟踪算法 | 第23-32页 |
| 3．1 模糊理论基础 | 第23-27页 |
| 3．1．1 模糊集合 | 第23页 |
| 3．1．2 模糊集的基本运算 | 第23-24页 |
| 3．1．3 隶属度函数 | 第24-25页 |
| 3．1．4 模糊规则和模糊推理 | 第25-27页 |
| 3．2 模糊理论在多目标跟踪中的应用 | 第27-32页 |
| 3．2．1 机动目标模型 | 第27-28页 |
| 3．2．2 模糊数据关联 | 第28-29页 |
| 3．2．3 仿真 | 第29-32页 |
| 第4章 基于模糊神经网络的多目标跟踪方法 | 第32-43页 |
| 4．1 神经网络与模糊系统结合的数据融合方法 | 第32-33页 |
| 4．1．1 神经网络与模糊系统的结合 | 第32页 |
| 4．1．2 二者的结合方式 | 第32-33页 |
| 4．2 误差反向传播(BP)神经网络 | 第33-38页 |
| 4．2．1 BP算法的节点间转移函数和误差函数 | 第33-34页 |
| 4．2．2 BP算法的学习过程 | 第34-35页 |
| 4．2．3 BP神经网络结构设计原则 | 第35-37页 |
| 4．2．4 改进的BP算法 | 第37-38页 |
| 4．3 基于模糊神经网络结构的数据关联设计 | 第38-40页 |
| 4．4 仿真结果 | 第40-43页 |
| 第5章 基于粗糙集的多目标跟踪算法 | 第43-55页 |
| 5．1 粗糙集理论的基本概念 | 第43-46页 |
| 5．1．1 知识与知识的表示 | 第43-44页 |
| 5．1．2 粗糙集的非确定性表示 | 第44-45页 |
| 5．1．3 粗糙隶属函数及其性质 | 第45-46页 |
| 5．2 粗糙集理论应用技术关键 | 第46-50页 |
| 5．2．1 属性的约简与属性的核 | 第46-47页 |
| 5．2．2 知识的相对约简与相对核 | 第47页 |
| 5．2．3 范畴的约简 | 第47页 |
| 5．2．4 范畴的相对约简与相对核 | 第47-48页 |
| 5．2．5 决策表分析与约简 | 第48-50页 |
| 5．3 基于粗糙集、神经网络和模糊系统混合的数据融合方法 | 第50-55页 |
| 5．3．1 三级混合的数据融合的可行性 | 第50页 |
| 5．3．2 多目标跟踪融合系统中的航迹关联 | 第50-52页 |
| 5．3．3 基于粗糙集的模糊神经网络的数据关联 | 第52-55页 |
| 第6章 结束语 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 独创性声明 | 第60页 |
| 关于论文使用授权的说明 | 第60页 |