| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 引言 | 第10-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 移动机器人环境建模技术的发展历史 | 第11-12页 |
| 1.2.2 代表性的研究工作 | 第12-13页 |
| 1.2.3 机器人地图创建中存在的问题 | 第13-15页 |
| 1.3 本文选题背景及结构 | 第15-17页 |
| 第二章 基于LVQ网络的多级目标体识别结构研究 | 第17-24页 |
| 2.1 引言 | 第17-18页 |
| 2.2 基于学习矢量量化(LVQ)网络的目标体识别方法 | 第18-20页 |
| 2.2.1 LVQ网络学习算法 | 第18-19页 |
| 2.2.2 基于LVQ网络的目标体识别方法 | 第19-20页 |
| 2.3 仿真实验与结果分析 | 第20-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第三章 基于粗集理论和多LVQ神经网络的目标体识别方法 | 第24-40页 |
| 3.1 引言 | 第24-25页 |
| 3.2 声纳测距与机器人目标识别法则 | 第25-28页 |
| 3.2.1 声纳测距分析 | 第25-26页 |
| 3.2.2 移动机器人目标识别法则 | 第26-28页 |
| 3.3 粗集理论的基本概念 | 第28-29页 |
| 3.4 基于粗集理论的目标识别算法 | 第29-32页 |
| 3.4.1 基于粗集理论的目标识别算法 | 第29页 |
| 3.4.2 实例分析 | 第29-32页 |
| 3.5 基于分层递阶约简算法的LVQ网络分类方法 | 第32-36页 |
| 3.5.1 分层递阶约简算法 | 第32-34页 |
| 3.5.2 基于分层递阶约简算法的LVQ网络分类方法 | 第34-35页 |
| 3.5.3 算法总流程 | 第35-36页 |
| 3.6 本章小结 | 第36-40页 |
| 第四章 环境建模仿真平台的实现与建模算法的验证 | 第40-52页 |
| 4.1 环境建模仿真平台的设计与实现 | 第40-41页 |
| 4.2 D-S据理论在机器人环境建模中的应用 | 第41-45页 |
| 4.2.1 D-S证据理论 | 第41-43页 |
| 4.2.2 D-S证据推理在移动机器人环境建模中的应用 | 第43-45页 |
| 4.3 声纳传感器建模 | 第45-49页 |
| 4.3.1 基本声纳模型的创建 | 第45-47页 |
| 4.3.2 RCF因子的引进 | 第47-48页 |
| 4.3.3 自适应声纳模型 | 第48-49页 |
| 4.4 目标体识别算法在环境建模中的应用 | 第49-50页 |
| 4.5 本章小结 | 第50-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 个人简历与研究成果 | 第60-61页 |
| 学位论文评阅及答辩情况表 | 第61页 |
