| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·课题研究的背景及意义 | 第8页 |
| ·课题研究的国内外发展 | 第8-10页 |
| ·多传感器信息融合一般方法 | 第10-11页 |
| ·本文的主要研究工作 | 第11-14页 |
| 第二章 多传感器信息融合原理 | 第14-22页 |
| ·定义 | 第14页 |
| ·多传感器信息融合的优势 | 第14-15页 |
| ·信息融合的基本原理 | 第15页 |
| ·信息融合的功能模型及级别 | 第15-18页 |
| ·信息融合的功能模型 | 第15-16页 |
| ·传感器的组成 | 第16-17页 |
| ·信息融合的级别 | 第17-18页 |
| ·多传感器信息融合的广泛应用 | 第18-22页 |
| ·军事应用 | 第18-19页 |
| ·民事应用 | 第19-22页 |
| 第三章 基于加权相似度改进的D-S 证据理论 | 第22-30页 |
| ·经典D-S 证据理论 | 第22-23页 |
| ·证据理论冲突分析 | 第23-24页 |
| ·证据理论一般改进方法 | 第24-25页 |
| ·加权相似度D-S 证据理论 | 第25-29页 |
| ·融合规则构造 | 第25-26页 |
| ·仿真实验对比 | 第26-29页 |
| ·本章小结 | 第29-30页 |
| 第四章 基于神经网络和改进的D-S 证据理论的故障诊断 | 第30-42页 |
| ·BP 神经网络 | 第30-33页 |
| ·BP 神经网络融合模型 | 第31-32页 |
| ·BP 神经网络融合算法 | 第32-33页 |
| ·径向基函数（Radial Basis Function，RBF）神经网络 | 第33-35页 |
| ·REF 网络模型 | 第33-34页 |
| ·RBF 神经网络算法 | 第34-35页 |
| ·汽轮机故障诊断识别实例 | 第35-41页 |
| ·汽轮机故障特征提取 | 第35页 |
| ·融合模型构造 | 第35-37页 |
| ·仿真实验 | 第37-41页 |
| ·本章小结 | 第41-42页 |
| 第五章 基于vague 集相似度量新模型的多传感器目标识别 | 第42-48页 |
| ·vague 集的相关定义 | 第42页 |
| ·vague 集相似度量方法 | 第42-46页 |
| ·vague 相似度量定义准则 | 第42-43页 |
| ·各种相似度量方法对比 | 第43-44页 |
| ·计算相似度量的新模型 | 第44-46页 |
| ·基于vague 集相似度量新模型的目标识别应用 | 第46-47页 |
| ·构造识别模型 | 第46页 |
| ·航空发电机故障识别 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 第六章 基于一致可靠性测度的多传感器信息融合算法 | 第48-52页 |
| ·一致可靠性测度矩阵建立 | 第48页 |
| ·一致可靠测度融合算法描述 | 第48-49页 |
| ·仿真试验 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第七章 自适应加权融合算法在身体传感器网络中的应用 | 第52-58页 |
| ·身体传感器网络介绍 | 第52页 |
| ·信息处理 | 第52-56页 |
| ·自适应加权融合算法 | 第52-54页 |
| ·仿真试验 | 第54-56页 |
| ·本章小结 | 第56-58页 |
| 第八章 结论与展望 | 第58-60页 |
| ·本文研究成果总结 | 第58页 |
| ·后续工作的思考及展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 附录:作者在攻读硕士学位期间发表的论文 | 第67页 |
