| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·课题的背景与意义 | 第10-11页 |
| ·多传感器数据融合技术的应用与研究现状 | 第11-13页 |
| ·多传感器数据融合技术存在的问题与发展趋势 | 第13-14页 |
| ·多传感器数据融合技术在水质检测方面的应用 | 第14页 |
| ·本文结构安排 | 第14-16页 |
| 第2章 多传感器数据融合技术 | 第16-23页 |
| ·多传感器数据融合技术的概述 | 第16页 |
| ·数据融合的过程 | 第16-17页 |
| ·数据融合的层次结构 | 第17-20页 |
| ·数据层融合 | 第17-18页 |
| ·特征层融合 | 第18页 |
| ·决策层融合 | 第18-19页 |
| ·三种结构层次的比较 | 第19-20页 |
| ·多传感器数据融合技术的融合方法 | 第20-22页 |
| ·随机类方法 | 第20-21页 |
| ·人工智能类方法 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第3章 基于神经网络的数据融合研究 | 第23-43页 |
| ·神经网络 | 第23-25页 |
| ·人工神经网络 | 第23页 |
| ·神经网络的特点 | 第23-24页 |
| ·基于神经网络数据融合的方法和特点 | 第24-25页 |
| ·BP 神经网络 | 第25-32页 |
| ·BP 神经网络学习算法及其结构 | 第25-27页 |
| ·BP 算法的改进 | 第27-31页 |
| ·BP 神经网络的学习步骤 | 第31-32页 |
| ·BP 神经网络在水质检测系统中的设计 | 第32-38页 |
| ·输入层与输出层的设计 | 第32页 |
| ·隐含层节点个数的设计 | 第32-34页 |
| ·水质样本的设置 | 第34-35页 |
| ·BP 神经网络的设计过程 | 第35-38页 |
| ·BP 神经网络的训练方法 | 第38-42页 |
| ·交叉训练方法 | 第38-39页 |
| ·基于 BP 神经网络输出判决规则 | 第39页 |
| ·仿真训练实验 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 基于 D-S 证据理论的数据融合研究 | 第43-55页 |
| ·D-S 证据理论 | 第43-45页 |
| ·D-S 证据理论的基本概念 | 第43-44页 |
| ·D-S 证据理论的融合方法 | 第44-45页 |
| ·D-S 证据理论的决策规则 | 第45-46页 |
| ·基于信任函数的决策 | 第45-46页 |
| ·基于概率赋值的决策 | 第46页 |
| ·D-S证据理论在水质检测系统中的设计 | 第46-51页 |
| ·D-S 证据理论的融合过程 | 第46-47页 |
| ·基本概率分配函数的获得 | 第47页 |
| ·隶属度函数 | 第47-48页 |
| ·具体融合过程及结论 | 第48-51页 |
| ·基于D- S证据理论水质检测实验 | 第51-54页 |
| ·本章小结 | 第54-55页 |
| 第5章 基于神经网络与 D-S 证据理论的改进型数据融合方法的研究 | 第55-72页 |
| ·设计思想 | 第55页 |
| ·模糊逻辑与神经网络相结合 | 第55-56页 |
| ·模糊神经网络的学习算法 | 第56-61页 |
| ·基于模糊神经网络的水质检测的学习算法过程 | 第56-59页 |
| ·高斯隶属度函数的设计 | 第59-60页 |
| ·归一化函数的设计 | 第60-61页 |
| ·降半梯形隶属度函数的设计 | 第61页 |
| ·两级融合算法 | 第61-62页 |
| ·两种融合算法的提出 | 第61-62页 |
| ·基于模糊神经网络与 D-S 证据理论两级融合方法的设计 | 第62-71页 |
| ·本章小结 | 第71-72页 |
| 结论 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 作者简介 | 第80页 |