| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 缩略语 | 第12-17页 |
| 1 绪论 | 第17-29页 |
| 1.1 信息融合技术的发展与现状 | 第18-23页 |
| 1.1.1 信息融合的概述 | 第18-20页 |
| 1.1.2 国外的发展及现状 | 第20-22页 |
| 1.1.3 国内的发展及现状 | 第22-23页 |
| 1.2 战场环境下信息融合技术的关键技术 | 第23-25页 |
| 1.3 论文的主要内容和组织结构 | 第25-29页 |
| 1.3.1 论文的研究内容和创新点 | 第25-26页 |
| 1.3.2 论文的组织结构 | 第26-29页 |
| 2 信息融合模型及相关理论研究 | 第29-41页 |
| 2.1 信息融合的模型 | 第29-36页 |
| 2.1.1 信息融合的功能模型 | 第29-33页 |
| 2.1.2 信息融合的结构模型 | 第33-35页 |
| 2.1.3 信息融合涉及到的学科技术 | 第35-36页 |
| 2.2 战场环境信息融合存在的问题及其改进方法 | 第36-40页 |
| 2.2.1 战场环境信息融合模型存在的问题 | 第36-37页 |
| 2.2.2 战场环境信息融合模型的改进 | 第37-40页 |
| 2.3 本章小结 | 第40-41页 |
| 3 群智能混合算法的多目标数据关联方法 | 第41-57页 |
| 3.1 多目标跟踪中的数据关联问题 | 第42-46页 |
| 3.1.1 数据关联与跟踪波门 | 第43-44页 |
| 3.1.2 数据关联最优的目标函数 | 第44-46页 |
| 3.2 PSO与ACO基本原理及其算法的改进 | 第46-52页 |
| 3.2.1 PSO原理及其改进算法 | 第46-49页 |
| 3.2.2 蚁群算法原理及其改进算法 | 第49-52页 |
| 3.3 群智能混合算法的多目标数据关联方法 | 第52-55页 |
| 3.3.1 PSO-ACODA算法的流程 | 第52-53页 |
| 3.3.2 仿真测试与分析比较 | 第53-55页 |
| 3.4 本章小结 | 第55-57页 |
| 4 编队作战下的目标编群算法 | 第57-73页 |
| 4.1 对敌目标的编群算法 | 第58-63页 |
| 4.1.1 目标编群结构和态势要素提取 | 第58页 |
| 4.1.2 基于约束的Chameleon算法的空间群聚类 | 第58-59页 |
| 4.1.3 基于进攻矩阵的相互关系群聚类 | 第59-63页 |
| 4.2 我方空间群进攻关系群的聚类算法 | 第63-67页 |
| 4.2.1 我方相互作用群聚类的优化模型 | 第63-64页 |
| 4.2.2 对遗传算法的改进 | 第64-67页 |
| 4.2.3 改进算法实现相互作用群聚类的步骤 | 第67页 |
| 4.3 编队作战下的目标编群算法 | 第67-72页 |
| 4.3.1 对敌方相互作用群聚类的实现步骤 | 第67-68页 |
| 4.3.2 对敌方目标编群的算法仿真及分析 | 第68-71页 |
| 4.3.3 对我方目标编群的算法仿真及分析 | 第71-72页 |
| 4.4 本章小结 | 第72-73页 |
| 5 密集群目标的跟踪算法研究 | 第73-93页 |
| 5.1 基于贝叶斯框架的群目标跟踪算法 | 第75-79页 |
| 5.1.1 贝叶斯滤波原理 | 第75-76页 |
| 5.1.2 基于贝叶斯框架的群目标跟踪算法 | 第76-79页 |
| 5.2 群目标自适应跟踪的算法 | 第79-88页 |
| 5.2.1 群目标跟踪算法存在的问题分析 | 第79-80页 |
| 5.2.2 对群质心做机动运动时跟踪算法的参数优化 | 第80-84页 |
| 5.2.3 扩展状态自由度参数的优化 | 第84-87页 |
| 5.2.4 群的分裂与合并方法及新群形成的等效量测计算 | 第87-88页 |
| 5.3 参数自适应群目标跟踪算法的流程及仿真分析 | 第88-92页 |
| 5.3.1 参数自适应群目标跟踪算法流程 | 第88-89页 |
| 5.3.2 算法仿真及分析 | 第89-92页 |
| 5.4 本章小结 | 第92-93页 |
| 6 一种参数在线学习的DBN态势估计算法 | 第93-109页 |
| 6.1 基于动态贝叶斯网络的态势估计 | 第94-100页 |
| 6.1.1 战场环境态势估计 | 第94页 |
| 6.1.2 动态贝叶斯网络的推理及参数估计 | 第94-99页 |
| 6.1.3 基于动态贝叶斯实现战场环境的态势估计 | 第99-100页 |
| 6.2 参数在线学习的动态贝叶斯网络 | 第100-103页 |
| 6.2.1 DBN参数学习方法 | 第100-101页 |
| 6.2.2 Dirichlet分布的超参数计算及对DBN参数的估计 | 第101-103页 |
| 6.3 参数在线学习的DBN算法流程及仿真分析 | 第103-108页 |
| 6.3.1 算法流程 | 第103-104页 |
| 6.3.2 仿真测试 | 第104-106页 |
| 6.3.3 性能分析与比较 | 第106-108页 |
| 6.4 本章小结 | 第108-109页 |
| 7 总结与展望 | 第109-113页 |
| 7.1 本文工作总结 | 第109-110页 |
| 7.2 未来工作展望 | 第110-113页 |
| 参考文献 | 第113-123页 |
| 致谢 | 第123-125页 |
| 攻读博士学位期间完成的论文及参与的科研项目 | 第125-127页 |
