| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究工作的背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文组织结构 | 第14-15页 |
| 第二章 数据融合概论及关键技术研究 | 第15-33页 |
| 2.1 基本概念 | 第15-16页 |
| 2.1.1 数据融合定义 | 第15页 |
| 2.1.2 数据融合过程 | 第15-16页 |
| 2.2 数据融合结构分类 | 第16-19页 |
| 2.3.1 数据级融合 | 第17页 |
| 2.3.2 特征级融合 | 第17-18页 |
| 2.3.3 决策级融合 | 第18页 |
| 2.3.4 三种融合层次比较 | 第18-19页 |
| 2.3 数据融合关键技术 | 第19-23页 |
| 2.3.1 估计方法 | 第20-21页 |
| 2.3.2 统计方法 | 第21页 |
| 2.3.3 信息论方法 | 第21-22页 |
| 2.3.4 人工智能方法 | 第22-23页 |
| 2.4 D-S证据理论 | 第23-31页 |
| 2.4.1 基本理论 | 第24-29页 |
| 2.4.2 D-S证据理论的优缺点 | 第29-31页 |
| 2.5 数据融合发展趋势 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 多源异构数据预处理方法及改进 | 第33-43页 |
| 3.1 数据预处理及方法介绍 | 第33-35页 |
| 3.1.1 数据填充技术 | 第34-35页 |
| 3.1.2 特征降维技术 | 第35页 |
| 3.2 一种基于FCM的去噪算法改进 | 第35-39页 |
| 3.2.1 FCM算法 | 第36-37页 |
| 3.2.2 相似性度量 | 第37-38页 |
| 3.2.3 基于FCM算法改进的去噪算法 | 第38-39页 |
| 3.3 算例验证与对比分析 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 一种改进的D-S证据理论融合技术 | 第43-59页 |
| 4.1 基本概率分配的获取 | 第44-46页 |
| 4.1.1 利用统计证据获得基本概率分配 | 第44页 |
| 4.1.2 利用灰关联分析方法获得基本概率分配函数 | 第44-45页 |
| 4.1.3 根据目标类型和环境加权系数获得基本概率分配函数 | 第45页 |
| 4.1.4 根据模式之间的相似度获得基本概率分配函数 | 第45-46页 |
| 4.1.5 根据模糊隶属度获得基本概率分配函数 | 第46页 |
| 4.2 改进的加权模糊型D-S证据理论 | 第46-53页 |
| 4.2.1 生成方法模糊朴素贝叶斯 | 第46-48页 |
| 4.2.2 判别方法FCM | 第48-49页 |
| 4.2.3 决策方法Pignistic概率 | 第49页 |
| 4.2.4 改进算法的整体框架 | 第49-53页 |
| 4.3 算例验证与对比分析 | 第53-58页 |
| 4.3.1 算例验证 | 第53-57页 |
| 4.3.2 对比分析 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 多源异构数据融合的应用 | 第59-73页 |
| 5.1 攻击识别原型系统总体设计 | 第59-61页 |
| 5.1.1 系统需求 | 第59-60页 |
| 5.1.2 系统架构与组成 | 第60-61页 |
| 5.2 模块设计与实现 | 第61-70页 |
| 5.2.1 数据采集模块 | 第61-64页 |
| 5.2.2 数据预处理模块 | 第64-67页 |
| 5.2.3 数据融合模块 | 第67-70页 |
| 5.2.4 识别结果展示模块 | 第70页 |
| 5.3 系统实现和测试 | 第70-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 工作总结 | 第73-74页 |
| 6.2 工作展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间取得的成果 | 第80页 |
