| 摘要 | 第1-3页 |
| Abstract | 第3-7页 |
| 第一章 绪论 | 第7-9页 |
| 1．1 课题研究的背景和意义 | 第7-8页 |
| 1．2 主要研究内容及框架 | 第8-9页 |
| 第二章 数据融合理论概述 | 第9-15页 |
| 2．1 概述 | 第9-10页 |
| 2．1．1 数据融合的定义 | 第9页 |
| 2．1．2 数据融合的基本原理 | 第9-10页 |
| 2．1．3 数据融合的特点 | 第10页 |
| 2．2 数据融合系统的体系结构 | 第10-11页 |
| 2．2．1 集中式 | 第11页 |
| 2．2．2 分布式 | 第11页 |
| 2．2．3 混合式 | 第11页 |
| 2．3 数据融合算法分析 | 第11-15页 |
| 2．3．1 Bayes统计 | 第11-12页 |
| 2．3．2 Dempster_Shafer证据理论 | 第12-13页 |
| 2．3．3 人工智能方法 | 第13-15页 |
| 第三章 基于神经网络的数据融合技术 | 第15-30页 |
| 3．1 人工神经网络研究与发展 | 第15-18页 |
| 3．1．1 历史回顾 | 第15-16页 |
| 3．1．2 研究意义 | 第16-18页 |
| 3．2 人脑信息处理的机制与特性 | 第18-20页 |
| 3．3 人工神经网络研究与应用的主要内容 | 第20-21页 |
| 3．4 人工神经网络的构成 | 第21-26页 |
| 3．4．1 神经元的结构模型 | 第22-23页 |
| 3．4．2 人工神经网络的互连模式 | 第23-25页 |
| 3．4．3 人工神经网络的信息处理能力 | 第25-26页 |
| 3．5 人工神经网络的研究概况 | 第26-27页 |
| 3．6 数据融合模型的神经网络表示 | 第27-29页 |
| 3．7 本章小节 | 第29-30页 |
| 第四章 模块化神经网络和模糊逻辑系统 | 第30-47页 |
| 4．1 模块化神经网络研究概况 | 第30-31页 |
| 4．1．1 模块化神经网络的集合论定义 | 第30-31页 |
| 4．2 模块化系统的特征 | 第31-33页 |
| 4．3 模块化神经网络的模型 | 第33-35页 |
| 4．3．1 神经网络模块的定义形式 | 第33页 |
| 4．3．2 分离模型 | 第33-34页 |
| 4．3．3 ART-BP模型 | 第34页 |
| 4．3．4 层次模型 | 第34-35页 |
| 4．3．5 多专家网络模型 | 第35页 |
| 4．4 基于模糊逻辑的模块化神经网络 | 第35-42页 |
| 4．4．1 模糊理论的一些基本概念 | 第36-37页 |
| 4．4．2 模糊集合运算 | 第37-38页 |
| 4．4．3 模糊关系 | 第38页 |
| 4．4．4 模糊推理和模糊决策 | 第38-39页 |
| 4．4．5 模糊系统设计 | 第39页 |
| 4．4．6 模块化模糊系统的结构 | 第39-41页 |
| 4．4．7 模块化模糊系统的特性 | 第41页 |
| 4．4．8 模块化模糊推理规则 | 第41-42页 |
| 4．5 模块化神经网络的任务分解方法 | 第42-44页 |
| 4．5．1 基于背景知识和领域知识的任务分解方法 | 第43页 |
| 4．5．2 基于样本空间的任务分解方法 | 第43页 |
| 4．5．3 基于分类过程的分解方法 | 第43-44页 |
| 4．6 模块化神经网络的训练 | 第44-47页 |
| 第五章 具有模糊推理的模块化神经网络 | 第47-55页 |
| 5．1 前言 | 第47页 |
| 5．2 RBF网络和模糊推理系统的功能一致性 | 第47-50页 |
| 5．2．1 RBF神经网络模型 | 第47-48页 |
| 5．2．2 模糊推理系统 | 第48-49页 |
| 5．2．3 功能一致性 | 第49-50页 |
| 5．3 一种简单的模糊神经网络模型 | 第50-51页 |
| 5．4 学习算法 | 第51-53页 |
| 5．4．1 确定网络中心值 | 第52页 |
| 5．4．3 连接权的调整 | 第52-53页 |
| 5．5 模拟实验 | 第53-54页 |
| 5．6 本章小节 | 第54-55页 |
| 第六章 基于模糊神经网络的数据融合系统 | 第55-67页 |
| 6．1 模糊神经网络 | 第55-57页 |
| 6．1．1 模糊理论与神经网络的结合 | 第55-56页 |
| 6．1．2 模糊神经网络的分类 | 第56页 |
| 6．1．3 模糊融合网络 | 第56-57页 |
| 6．2 CPN模型 | 第57-60页 |
| 6．3 对CPN学习算法的改进 | 第60-64页 |
| 6．3．1 对现有学习算法的分析 | 第60-62页 |
| 6．3．2 CPN学习算法的改进 | 第62-64页 |
| 6．4 基于模糊神经网络的传感器管理方法 | 第64-66页 |
| 6．5 本章小节 | 第66-67页 |
| 第七章 基于模块化神经网络的思维模型 | 第67-88页 |
| 7．1 人脑模型研究概况 | 第67-70页 |
| 7．2 人脑模拟的基本研究方法 | 第70-72页 |
| 7．3 人脑模型的总体结构 | 第72-78页 |
| 7．3．1 静态知识表示 | 第73页 |
| 7．3．2 思维的动态演变 | 第73-74页 |
| 7．3．3 思维推理的逆向作用 | 第74页 |
| 7．3．4 学习记忆过程 | 第74-75页 |
| 7．3．5 人脑模型的记忆存储编码 | 第75-78页 |
| 7．4 意识的混和神经网络模型 | 第78-87页 |
| 7．4．1 模型的总体结构 | 第79-81页 |
| 7．4．2 物理记忆层 | 第81页 |
| 7．4．3 模式识别层 | 第81-82页 |
| 7．4．4 抽象思维层 | 第82页 |
| 7．4．5 识别层算法 | 第82-84页 |
| 7．4．6 意识的产生 | 第84-85页 |
| 7．4．7 输入模式识别示例 | 第85-87页 |
| 7．5 本章小节 | 第87-88页 |
| 第八章 结束语 | 第88-90页 |
| 8．1 论文总结 | 第88-89页 |
| 8．2 未来展望 | 第89-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-106页 |
| 攻读博士学位期间发表的论文 | 第106页 |