| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题的背景和意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 多传感器网络数据融合的意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 管道监测研究现状 | 第11-12页 |
| 1.2.2 多传感器网络数据融合研究现状 | 第12-13页 |
| 1.3 主要研究内容及创新 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 管道检测技术 | 第15-21页 |
| 2.1 管道检测技术概述 | 第15页 |
| 2.2 超声波检测技术 | 第15-17页 |
| 2.2.1 超声波检测原理 | 第16页 |
| 2.2.2 超声波检测系统 | 第16-17页 |
| 2.3 漏磁检测技术 | 第17-19页 |
| 2.3.1 缺陷漏磁检测的基本原理 | 第17-18页 |
| 2.3.2 漏磁检测的流程 | 第18-19页 |
| 2.4 两种管道检测技术的对比 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 多传感器数据融合技术 | 第21-30页 |
| 3.1 数据融合相关概念 | 第21-23页 |
| 3.1.1 定义 | 第21页 |
| 3.1.2 分类 | 第21-23页 |
| 3.2 数据融合的应用 | 第23-25页 |
| 3.3 多传感器数据融合技术概述 | 第25-29页 |
| 3.3.1 基于神经网络的数据融合 | 第25-27页 |
| 3.3.2 基于粗糙神经网络的数据融合 | 第27-28页 |
| 3.3.3 基于模糊推理的数据融合 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第4章 多传感器管道检测数据融合算法研究 | 第30-43页 |
| 4.1 概述 | 第30页 |
| 4.2 基于完全链接的模糊推理系统（F-CONFIS）的管道检测 | 第30-35页 |
| 4.2.1 F-CONFIS | 第31-32页 |
| 4.2.2 适合F-CONFIS的梯度学习算法 | 第32-35页 |
| 4.3 基于D-S理论证据管道检测 | 第35-37页 |
| 4.3.1 基本概念 | 第35-36页 |
| 4.3.2 组合规则 | 第36-37页 |
| 4.4 F-CONFIS和D-S证据理论结合的数据融合模型及算法 | 第37-38页 |
| 4.5 仿真实验 | 第38-41页 |
| 4.5.1 F-CONFIS仿真 | 第38-39页 |
| 4.5.2 D-S证据理论融合决策 | 第39-41页 |
| 4.6 本章小结 | 第41-43页 |
| 第5章 多传感器管道检测的预测融合算法研究 | 第43-54页 |
| 5.1 概述 | 第43页 |
| 5.2 基于数据收集协议的预测融合 | 第43-45页 |
| 5.2.1 初始条件 | 第43-44页 |
| 5.2.2 预测 | 第44页 |
| 5.2.3 异常情况处理 | 第44-45页 |
| 5.3 基于灰色模型的数据融合 | 第45-47页 |
| 5.3.1 数据累加生成 | 第45-46页 |
| 5.3.2 二次拟合 | 第46-47页 |
| 5.4 基于卡尔曼滤波数据融合 | 第47-48页 |
| 5.4.1 基于Kalman Filter预测模型 | 第47-48页 |
| 5.4.2 基于Kalman Filter的预测算法 | 第48页 |
| 5.5 灰色与卡尔曼滤波结合的预测融合模型 | 第48-51页 |
| 5.5.1 预测模型 | 第49页 |
| 5.5.2 预测值数据融合 | 第49-50页 |
| 5.5.3 最优组合预测融合 | 第50页 |
| 5.5.4 CGKDF算法 | 第50-51页 |
| 5.6 仿真实验 | 第51-53页 |
| 5.7 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-63页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第63-64页 |
| 致谢 | 第64页 |
