多传感器数据融合算法的研究与应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 论文的研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文研究的主要内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第2章 相关技术 | 第15-27页 |
| 2.1 多传感器数据融合 | 第15-20页 |
| 2.1.1 数据融合的基本原理 | 第15-16页 |
| 2.1.2 数据融合的分类 | 第16-17页 |
| 2.1.3 数据融合的模型 | 第17-20页 |
| 2.2 自适应加权融合算法 | 第20-22页 |
| 2.2.1 算法的产生 | 第20页 |
| 2.2.2 算法的模型及原理 | 第20-21页 |
| 2.2.3 最优加权因子 | 第21-22页 |
| 2.3 BP神经网络 | 第22-24页 |
| 2.3.1 算法的基本思想 | 第22页 |
| 2.3.2 BP神经网络结构 | 第22-23页 |
| 2.3.3 BP神经网络学习算法 | 第23-24页 |
| 2.4 D-S证据理论 | 第24-26页 |
| 2.4.1 D-S理论的起源 | 第24页 |
| 2.4.2 D-S理论的基本概念 | 第24-25页 |
| 2.4.3 D-S数据融合过程 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 融合算法的研究 | 第27-59页 |
| 3.1 数据级融合算法 | 第27-40页 |
| 3.1.1 自适应加权融合算法研究 | 第27-32页 |
| 3.1.2 基于自适应加权融合算法的改进 | 第32-37页 |
| 3.1.3 实验测试与评价 | 第37-40页 |
| 3.2 决策级融合算法 | 第40-57页 |
| 3.2.1 BP神经网络算法研究 | 第40-50页 |
| 3.2.2 D-S证据理论算法研究 | 第50-55页 |
| 3.2.3 决策级融合算法的改进 | 第55-57页 |
| 3.3 本章小结 | 第57-59页 |
| 第4章 在玻璃质量预测中的应用 | 第59-65页 |
| 4.1 需求分析 | 第59-60页 |
| 4.2 系统设计 | 第60-63页 |
| 4.2.1 总体设计 | 第60-61页 |
| 4.2.2 融合算法的应用设计 | 第61-63页 |
| 4.3 功能实现 | 第63-64页 |
| 4.3.1 系统部分功能实现效果 | 第63-64页 |
| 4.3.2 算法应用前后效果对比 | 第64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65页 |
| 5.2 展望 | 第65-67页 |
| 参考文献 | 第67-69页 |
| 致谢 | 第69页 |
