一、D-S证据理论在多传感器目标识别中的应用（论文文献综述）
陈致远,沈堤,余付平,陈宏阳,赵凯[1]（2021）在《基于D-S证据理论的空中目标敌我识别研究综述》文中研究表明D-S证据理论作为一种不确定性推理工具,能够充分发挥多源信息融合的优势,提高空中目标敌我识别结果的准确性。本文从空中目标敌我识别的实际应用出发,介绍了D-S证据理论的基本原理,梳理了空中目标敌我识别中需要解决的关键问题,然后从空中目标敌我识别的识别方法和信息融合两个方面,对现有研究方法进行了归纳与分类,并简要总结了每种方法的优势、适用范围、使用价值等。最后在现有研究基础上提出了一种新的空中目标敌我识别方法,并对D-S证据在空中目标敌我识别中的应用进行了展望。
叶鑫泉[2]（2020）在《基于振动响应协方差参数和D-S证据理论的损伤识别》文中认为本文首先介绍了结构损伤识别领域的国内外研究背景以及研究现状,综述了一些常用的结构损伤识别方法,在此基础上,提出了使用响应协方差参数作为损伤指标,并分别使用应变响应和加速度响应来进行损伤识别,由此得到两种损伤识别指标,第一种是应变响应协方差参数（Co S）,第二种是加速度响应不同频带的协方差参数（Co I）,通过比较结构损伤前和后的Co S或Co I就可进行损伤识别,无需结构分析模型,直接从测量的应变响应和加速度响应进行分析处理即可实现。但由于激励位置和噪声都会影响这两种损伤指标的精度,为了提高其精度和适用性,提出使用D-S证据理论融合技术（D-S证据理论融合技术具有无需先验概率即可进行融合的优点）。对不同激励位置处的Co S改变量得到的损伤概率向量进行D-S证据理论数据融合,可以提高最终的损伤向量的精度,利用一个七层框架结构进行包括单损伤和多损伤等多种损伤工况的数值模拟,来研究所提方法的适用性和有效性,结果表明该方法能判定损伤发生和准确识别出损伤位置,最后使用实验室测试的简支钢梁验证了基于应变影响协方差参数和D-S证据理论的损伤识别方法的有效性。应变响应具有较好的局部性,但是加速度响应更容易测量,其局部性弱于应变响应,由于高阶模态对损伤更灵敏,所以本文使用加速度响应不同频带的协方差参数来进行损伤识别,以提高协方差参数中高阶模态在损伤识别过程中的贡献,并最终提高损伤识别的精度。所以本文又把加速度响应在不同频带的协方差参数作为损伤指标,通过D-S证据理论融合技术对不同激励位置处、不同噪声的、不同频带的加速度响应协方差参数（Co I）所得到的损伤概率向量进行融合,同样用七层框架结构进行多种损伤工况的数值模拟,和对实验室测试的七层框架数据进行分析验证,结果表明该方法对损伤敏感,对噪声鲁棒,是有效的损伤识别方法,而且由于无需结构分析模型,该方法具有较好的工程应用前景。
张庆方[3]（2020）在《张弦桁架结构基于振动测试数据融合的损伤识别方法研究》文中指出张弦桁架是目前大跨公共建筑常采用的结构形式之一。在其服役过程中,因受到自然环境、随机荷载等的影响,发生损伤的潜在危险性较大且损伤难以察觉。结构损伤若不能得到及时地发现和处理,会严重影响结构正常使用甚至导致结构破坏。因此,张弦桁架结构在全寿命周期的损伤识别研究具有重大的现实意义。目前基于频域数据以及时域数据的损伤识别方法或缺少张弦桁架结构相关的研究,或存在损伤识别精度不理想等问题,尚未形成完整的张弦桁架损伤识别理论体系。数据融合方法能够综合多种信息,具有良好的容错性和可靠性,为结构损伤识别提供了一种新的研究思路。本文将“振动测试数据”与“数据融合理论”进行有效结合,从“损伤定位”和“损伤程度”两个方面,基于“频域数据”和“时域数据”开展了张弦桁架振动测试数据的融合损伤识别研究。主要内容包括:（1）选取了适用于张弦桁架的基于频域数据的单一损伤识别指标。选取某实际工程缩尺简化得到的张弦桁架模型进行有限元分析,验证了曲率模态差、叠加曲率模态改变率和模态柔度差曲率的识别效果,结果表明:张弦桁架运用单指标进行损伤识别易受到干扰甚至产生误判;叠加曲率模态改变率和模态柔度差曲率识别效果优于曲率模态差,可作为融合的基准指标。（2）建立了张弦桁架基于频域数据融合的损伤定位方法。将数据融合方法与损伤识别指标相结合,运用D-S证据矩阵理论融合叠加曲率模态改变率和模态柔度差曲率两指标的损伤识别结果,提出了张弦桁架基于频域数据融合的损伤位置定位方法:单次融合和两阶段融合识别方法。设计了不同杆件以及不同位置的单损伤工况以及多损伤工况,通过有限元分析验证了该方法能够准确地识别张弦桁架损伤。考虑了不同水平噪声对张弦桁架损伤识别地影响,结果表明基于频域数据融合的损伤定位方法能够降低噪声地干扰,具有较好的鲁棒性。（3）提出了张弦桁架基于频域数据融合的损伤定量方法。将分类比较的思想引入张弦桁架损伤程度识别中,基于位移曲率与刚度理论提出张弦桁架单元等效损伤程度概念,通过有限元分析建立构件损伤程度与所在区间的单元等效损伤程度之间的关系。该方法主要包括:分析准备、有限元分析建立张弦桁架损伤程度样本库、张弦桁架基于数据融合方法的损伤位置识别、张弦桁架损伤程度判断。通过一榀张弦桁架模型详细介绍了张弦桁架损伤程度识别样本库以及分类指标的建立过程。（4）建立了张弦桁架基于时域数据融合的损伤识别方法。结合张弦桁架损伤识别特点,选择卷积神经网络识别结构损伤。该方法主要包括:有限元分析建立时域数据样本库,样本库数据预处理及数据增广、根据张弦桁架损伤位置及损伤程度识别特点分别选取合适参数构建卷积神经网络、卷积神经网路的训练与测试。以一榀张弦桁架为例,选取结构加速度时程数据为网络输入,分析了该方法对含噪声数据及无噪声数据的识别效果,结果表明卷积神经网络能够有效地识别张弦桁架的损伤程度以及损伤位置,且具有良好的鲁棒性。（5）开展了张弦桁架实际工程损伤识别。本文通过数值模拟开展了一榀实际张弦桁架结构的损伤识别研究,并且基于已有张弦桁架损伤试验数据开展了损伤识别分析。结果表明该方法应用于实际张弦桁架结构以及张弦桁架试验结构的识别结果仍比较理想,同时也验证了该方法具有良好的抗噪声干扰能力。
常玉婷[4]（2020）在《基于D-S证据理论的空中目标识别研究》文中提出在空中战场上,快速和准确地识别目标对整个战场的部署与决策产生了非常大的影响,也是在战争取得胜利的关键。因此,有效的目标识别技术对于防空作战至关重要。现代战场环境复杂多变,单靠一个传感器进行目标识别已经远远不能满足现代战场的需要,而利用多个传感器提取的信息进行融合,可以建立更加完整的目标识别模型,从而有利于提高目标识别率。然而,传感器由于受到自身品质和外在因素的影响,所获得信息可能是不完整或者不确定。针对不确定问题,D-S（Dempster-Shafer）证据理论可以有效解决,因此被广泛应用于目标识别领域,但在遇见高冲突信息时,直接使用D-S证据理论,可能会影响目标识别精度甚至得出与事实不相符的结论,进而导致目标错误识别。为此,本文将主要以D-S证据理论为基础,结合实际问题,对空中目标识别的相关算法展开研究,主要研究内容如下:1.提出一种基于改进证据支持度的多传感器空中目标识别方法。在进行空中目标识别时,计算各个传感器提供的证据之间的关系,继而将其转化成支持度系数,使得高支持度系数的证据在合成中起较大的作用,相应地降低冲突证据对整个目标识别系统的影响。特别是在处理高冲突证据时,本章节提出的方法能对冲突进行合理分配,以获得与实际相符合的结果,与其它方法相比,其识别结果更优。总之,该方法具有很强的优越性,一方面可以对证据间冲突问题进行有效解决;另一方面提高了识别融合精度,从而使得目标识别系统的识别能力能够得到有效地提高。2.提出一种基于Pignistic概率距离函数和Deng熵的多传感器空中目标识别方法。冲突信息会对D-S理论的融合效果产生巨大影响,为了消除冲突源,进一步提高该目标识别系统的能力,本章节提出一种多传感器下的消除冲突信息的融合方法。首先,通过引入Pignistic概率距离函数和Deng熵得到可以得出证据间冲突程度以及证据的不确定性,以获取证据修正系数。然后,对修正后的证据进行融合识别。最后,两个实验表明了该方法在处理低冲突证据时的有效性和精确性,并验证了其在应对高度冲突证据时的有效性和优越性。3.提出了一种基于修正冲突证据的多传感器空中目标识别方法,该方法充分考虑了由不同传感器提供的证据与各自可信度之间的关联。证据的可信度被转换为支持系数用于修正证据。如果该组证据间存在高冲突证据,则将支持度最小的证据用加权平均值所替代;相反,该组证据间不存在高冲突证据,则不变。对所有目标焦元做加权平均得到合成证据,然后进行融合识别。在目标识别过程中,具有高支持系数的证据起着更大的作用,目标识别的准确率也因此有很大程度的提高。所提出方法克服了传统处理证据冲突方法的缺点,大大提高系统的识别能力,尤其是对于高证据冲突的情况,该方法要优于其他现有方法。
孙壮壮[5]（2020）在《基于支持向量机的雷达辐射源识别研究》文中研究指明雷达作为电子战的重要装备,大量装备于交战双方,在提高侦察效能的同时,也导致战场的电磁环境越发复杂。如何在复杂的电磁环境中,快速、准确地对敌我双方的雷达辐射源信号进行识别,是电子战研究的重要方向。本文对雷达辐射源信号的分类识别及多传感器融合识别进行了研究,将烟花算法、证据理论等理论用于雷达辐射源的识别研究,实现对雷达辐射源的有效识别。本文完成的主要工作如下:首先,本文研究了支持向量机SVM的基本理论,通过仿真实验,对不同核类型及核参数的支持向量机分类模型的分类效果进行比较分析,引出支持向量机参数优化的问题;其次,分析了传统烟花算法的优缺点,引入伽马分布和非线性变异,给出了一种改进的烟花算法（Improved Fireworks Algorithm,IFWA）,并通过标准测试函数对改进算法的性能进行测试,仿真结果表明改进算法具有较强的寻优能力;在对雷达辐射源特征参数分析的基础上,结合改进的烟花优化算法,提出基于改进烟花算法的雷达辐射源识别模型,通过仿真试验,提高了识别的准确率;最后,本文研究了基于证据理论的决策级雷达辐射源融合识别方法,在对多源融合识别进行分析的基础上,将证据理论用于雷达辐射源融合识别,为解决高冲突情况下决策级融合的“一票否决”等与常理相悖的现象,本文提出一种不依靠先验信息的有效因子融合方法,通过对高冲突证据进行修改,实现对高冲突证据的有效融合,将改进方法应用于决策级雷达识别中,有效改善了高冲突证据下雷达识别效果。
方怡[6]（2020）在《指挥系统地面多源数据融合识别研究》文中认为指挥系统是现代各平台实施指挥控制的重要支撑,多源数据融合识别则是为指挥决策时提供数据支持。多源数据融合技术随着科学技术的不断发展而日趋成熟,被广泛运用于多个领域。不同的系统所处背景不同,拥有不同的结构及需求,使用的数据融合模型及技术也就存在不同。本文首先对多源数据融合识别原理、功能模型及关键技术做了简要介绍,然后针对本文系统需求及地面数据的特点,对多源数据融合识别中的数据关联和目标识别两个方面进行研究。主要研究内容如下:（1）系统方案分析。本文所研究的系统需要对各数据采集分析平台传送的量测信息进行数据融合处理,得到目标类型信息及行进路径信息。分析常见的几种数据融合结构,选择集中式融合结构设计系统方案,并应用数据关联技术与目标识别技术完成系统功能要求。（2）基于速度方向的数据关联方法研究。数据关联的作用是确定量测信息与目标的从属关系,对报文信息进行数据预处理,即进行空间对准与时间配准,使数据处于同一参考标准之下,为数据关联计算提供数据支持。针对多运动目标易出现路径密集、路径交叉的问题,提出基于速度方向的最近邻域数据关联方法,实现准确数据关联,为目标识别打下基础。（3）基于证据支持水平的目标识别方法。目标识别是对某一个目标的所有数据进行分析计算,确定目标身份。针对经典D-S证据理论的证据冲突问题对融合结果有极大影响的现象,提出基于证据支持水平的目标识别方法,减弱证据冲突性对融合结果造成的影响,提高融合结果的正确性。（4）系统软件设计。依据系统需求,设计通信、数据库支持、数据关联及目标识别5个功能模块,完成从接收多个数据采集分析平台报文、量测信息与目标关联到目标身份判断等多个功能。设计人机交互界面,观察数据关联与目标识别结果。（5）实验分析。利用系统实验平台对地面多源数据信息进行数据关联、目标识别处理,分析实验数据。通过对比实验,验证了本文方法的可行性。
曾攀[7]（2019）在《在役大跨径梁桥挠度监测与结构运营状态分析的关键技术研究》文中认为大跨径梁桥在运营中过程中的梁体开裂和长期下挠等问题,影响到这类桥型的正常运营与维修管养。一方面需要从设计、施工、运营等角度深思引发上述病害的原因,另一方面需要建立对结构进行跟踪评估的监测系统,以实时掌握结构状态并避免突发性损伤和垮塌。挠度是反映结构状态的最直观指标,对桥梁在运营荷载作用下的挠度进行监测和分析非常重要。本文研究了大跨径梁桥的动挠度连通管法监测技术、动挠度信号分离方法、挠度效应的移动荷载识别理论和分离挠度的结构状态分析方法,并将这些方法应用于某大跨径预应力混凝土连续梁桥中,试图形成面向大跨径梁桥基于挠度的监测技术、数据解析、荷载评估和状态分析的方法体系。主要研究内容及成果包括:（1）研究了基于压力场连通管的桥梁挠度监测关键技术:首先,研究基于压力场连通管法的桥梁动挠度测量理论,引入水锤理论分析管道粘滞阻尼特性及其对管道流体压强的影响,参数化研究管道设计等参数对其影响;其次,建立了基于压力场连通管法的桥梁挠度试验模型,分析了连通管法对静挠度和动挠度的监测效果,并通过模型试验验证了桥梁振动对连通管法挠度监测的影响;最后,研究了连通管系统的布设对于动挠度测试影响以及精度改进措施,分别获得了连通管台阶布置及测点离弯管区域的若干有意义建议。研究表明:连通管法在静挠度和动挠度监测上与位移计测试结果吻合良好,验证了连通管法的测试准确性;结构振动对连通管压力采集具有很大影响,特别是斜置的管道,通过理论推导修正的方式可以较好地消除结构振动的影响,并得到了模型试验验证;采集结构动挠度与管道台阶无关,但在弯管1.5m范围内影响显着,实际工程的连通管布设中需要注意这些问题以便获取准确的挠度测试结果。（2）提出了基于联合字典的桥梁挠度稀疏分离方法:首先,提出在考虑各种挠度信号特征的基础上生成原子,结合稀疏正则化模型构造联合字典,并通过字典原子重建各种挠度信号,建立方法体系实现混合信号的时域分离;其后,通过数值算例,分析了所提方法对于动挠度车辆效应、温度效应和长期效应的分离效果,并参数化研究了噪声对分离效果的影响。研究表明:联合字典动挠度分离方法具有很好的准确性和有效性,分析方法具有较好的抗噪性,为桥梁动挠度的有效分离提供了保障,联合字典能更好地兼顾各类信号特征,相比于单一字典,在应用上更具灵活性。（3）提出了基于蜻蜓算法和监测挠度的桥梁移动荷载识别方法:首先,将车辆荷载和入桥时间同时考虑为待优化变量,通过对比桥梁实际挠度和计算挠度之间的差异建立优化识别问题,并引入蜻蜓算法展开求解,建立方法体系;其次,通过简支梁和连续梁的数值算例对所提方法进行了验证,并研究了路面不平整度和噪声对识别结果的影响;最后,基于某桥的跑车试验和跳车试验,将本方法应用其中以根据实测挠度反演车辆荷载。研究结果表明:基于蜻蜓算法的桥梁移动荷载识别具有很好的准确性和效率,可以同时识别车辆入桥时间和车辆荷载大小,识别方法在不同噪声等级和路面粗糙度下均具有准确的识别效果,工程案例显示本方法对跑车试验中重车荷载和入桥时间的识别误差在3%,应用效果良好。（4）提出了基于D-S证据理论和桥梁分离挠度的结构状态分析方法:首先,建立了基于元胞自动机的大跨径桥梁微观车流模拟方法,融合了智能驾驶员跟驰模型、可接受间距换道模型、等效动力轮载方法等,用于分析随机车流与桥梁耦合振动下的挠度特点,并建立挠度车辆荷载效应的分级预警方法;其次,通过有限元分析和文献调研分别建立了挠度温度效应和挠度长期效应的分级预警方法;最后,将D-S证据理论应用于挠度分离效应的结构状态分析中,解决多源信息融合与冲突问题,形成了结构状态分级评价体系。所提出的结构状态分析方法能够充分利用监测挠度的各种分离效应成分,充分利用D-S证据理论在多源信息冲突融合中的优势,亦实用于其他桥梁体系的状态分析。（5）将上述方法体系应用于实际工程中,以某大跨径预应力混凝土梁桥的挠度监测为案例,评估了连通管法的实际工程测试效果与精度,分析了联合字典方法在动挠度效应分离中的效果和准确性,细化了基于D-S证据理论的结构状态分级评价方法的应用过程。研究表明:在本工程中连通管法测试挠度与人工水准测量结果具有较好的吻合,验证了连通管法的工程实施效果;挠度分离算法可以较好的筛选车辆效应、温度效应和长期效应,结合背景桥梁近三个月的挠度监测数据分析了结构状态,发现结构状态整体良好。
赵烨[8]（2019）在《红外与可见光图像融合的无人机目标检测方法研究》文中进行了进一步梳理随着无人机技术的飞速发展以及民用无人机在市场上的大量普及,无人机的对公共和个人造成的威胁已越来越严重。因此反无人机技术的相关研究越来越得到重视。本课题针对反无人机中的无人机目标探测技术进行研究,利用红外和可见光探测器同时对场景中可能存在的无人机进行监测,在图像处理阶段检测、跟踪并识别图像中的无人机目标。由于无人机目标出现距离的不确定性,本课题研究难点在于面向不同尺度的无人机目标的检测跟踪技术,同时利用红外和可见光的互补性,对无人机目标进行融合检测。主要研究内容如下:首先,针对不同尺度的无人机目标,提出了不同的检测算法。针对大目标,利用目前较好的卷积神经网络进行检测,在自制数据集的基础上就进行训练,可实现对不同场景和传感器下的无人机大目标检测;针对小目标,研究了传统了形态学滤波检测算法,并且利用二叉树判据对TopHat变换进行了改进,降低了虚警率;同时基于YOLO卷积神经网络,提出了针对小目标的ST-YOLO卷积神经网络检测算法。并且,对每个算法进行了性能与边界条件分析。然后,在检测算法的基础上,提出了面向不同尺度多无人机目标的跟踪算法。该算法利用DBT（检测后跟踪）的目标跟踪方式,在检测阶段,使多尺度目标检测算法同时运行;基于检测结果,设置轨迹管理模块,采用轨迹关联的方式进行多目标跟踪,并且提出了全局与局部最优相结合的二次关联算法。最后,利用DS证据理论,进行决策级阶段的红外与可见光图像融合识别。对单个传感器的图像,基于检测跟踪结果,提取目标的多特征信息,并且利用不同的特征信息赋予目标可信度。并且基于DS理论框架,提出了二次融合的红外与可见光图像的识别方式。先对单传感器的多特征的可信度进行融合,再基于目标尺寸信息、两个传感器的检测信息,进行最终的红外与可见光图像加权融合识别。
安洋[9]（2017）在《基于传感器的行为识别关键问题研究》文中研究说明随着微型低功耗传感器技术的飞速发展和不断成熟,基于传感器的应用系统在日常生活中随处可见,为我们的工作和生活提供了诸多便利。与基于计算机视觉的行为识别不同,基于传感器的方法更能体现人体运动的本质特征,而且不受特定的场景和时间限制,保护用户隐私,数据获取自由,信息量丰富,且体积小、灵敏度高、设备简单,因此基于传感器的行为识别已经成为一个新的研究热点,受到国内外学者的高度关注。近年来,虽然基于传感器的行为识别取得了很多的研究成果,但仍然存在诸多问题需要进一步解决。本文重点针对基于传感器的行为识别中数据分割、特征优选及数据融合等问题,运用模式识别、机器学习和数据挖掘等领域的理论和方法进行研究。首先,针对行为识别过程中同类动作的周期性、不同类动作的交替性以及动作切换时的过渡动作等多模式识别问题,本文将人的行为动作分为基本动作和过渡动作两种类型,提出了一种基于马氏距离的行为数据分割方法,实现了多行为模式过程中基本动作及过渡动作数据的准确分割。最后,通过对固定大小无重叠的滑动窗口、固定大小重叠率50%的滑动窗口及本文提出的数据分割方法进行实验对比分析,验证了本文方法的有效性。其次,针对传统特征优选方法大多对特征之间相关性考虑不足的问题,本文以分类准确性为准则,提出了一种基于特征相关度的二进制粒子群特征优选方法。该方法将特征之间的相关系数加入到二进制粒子群优化算法中作为确定粒子位置的一个特征相关度因子,增大了信息量多的特征被选中的概率。实验部分采用J48,RF,KNN,MLP,NB和SVM六种分类算法对本文提出的优选方法进行了实验对比分析,结果表明该方法具有较好的识别效果。最后,针对单一类型或单一位置的传感器不能全面准确地识别日常行为活动问题,本文提出了一种基于加权线性判别分析的多传感器数据融合方法。该方法将行为识别视为是一个二分类问题,为每种行为动作建立一个融合模型,通过引入权重向量来描述部署在人体不同部位的传感器对识别结果贡献的差异性。实验表明,该方法能够有效地融合多传感器数据信息,对日常行为活动具有较好的识别效果。
丁文静,刘以安,薛松[10]（2016）在《基于证据价值的冲突证据合成方法》文中进行了进一步梳理证据理论作为一种不确定性推理,广泛应用于人工智能、信息融合等方面。针对高冲突证据在组合过程中易产生各种与事实相悖的结论,提出了基于证据价值的冲突证据合成方法。此方法首先定义了证据价值的标尺,借用欧氏距离的概念计算证据自身价值,并规则化作为权重,然后引入未知项,修正证据源,再利用D-S合成公式对证据进行合成。实例分析表明,此方法在处理冲突证据时是有效、可行的。
二、D-S证据理论在多传感器目标识别中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、D-S证据理论在多传感器目标识别中的应用（论文提纲范文）
（1）基于D-S证据理论的空中目标敌我识别研究综述（论文提纲范文）
| 0 引 言 |
| 1 基础理论 |
| 1.1 D-S证据理论 |
| 1.2 空中目标敌我识别流程 |
| 1.3 空中目标敌我识别的关键问题 |
| 1.3.1 识别方法问题 |
| 1.3.2 信息融合问题 |
| 2 基于识别方法的研究分类 |
| 2.1 基于技术型识别方法的研究分类 |
| 2.2 基于逻辑型识别方法的研究分类 |
| 2.3 基于识别方法的研究分类总结 |
| 3 基于信息融合的研究分类 |
| 3.1 基于BPA构造方法的研究分类 |
| 3.1.1 基于隶属度函数的BPA构造方法 |
| 3.1.2 基于智能算法的BPA获取方法 |
| 3.1.3 基于BPA构造方法的研究分类总结 |
| 3.2 基于冲突证据融合的研究分类 |
| 3.2.1 基于修改组合规则的冲突证据融合 |
| 3.2.2 基于修改证据源的冲突证据融合 |
| 3.2.3 基于冲突证据融合的研究分类总结 |
| 3.3 基于融合方式的研究分类 |
| 4 研究前景 |
| 4.1 空中目标敌我识别的研究前景 |
| 4.2 D-S证据理论在空中目标敌我识别中的应用展望 |
| 5 结 束 语 |
（2）基于振动响应协方差参数和D-S证据理论的损伤识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 结构损伤识别方法 |
| 1.3.1 动力指纹法 |
| 1.3.2 基于模型修正法的损伤识别方法 |
| 1.3.3 基于神经网络的损伤识别方法 |
| 1.3.4 损伤识别方法的对比和总结 |
| 1.4 数据融合的相关介绍 |
| 1.4.1 数据融合的背景及其定义 |
| 1.4.2 传感器数据融合的分类 |
| 1.4.3 多传感器数据融合的结构模型 |
| 1.4.4 数据融合的一般过程及其层次 |
| 1.5 本文研究内容 |
| 第二章 D-S证据理论 |
| 2.1 D-S证据理论的形成与发展 |
| 2.2 D-S证据理论优缺点 |
| 2.3 D-S证据理论的基本概念 |
| 2.4 D-S证据理论的合成规则 |
| 2.5 基于 D-S 证据理论的数据融合 |
| 2.6 简单的融合算例 |
| 第三章 基于应变响应协方差参数和D-S证据理论的损伤识别 |
| 3.1 应变脉冲响应的协方差参数 |
| 3.1.1 公式推导 |
| 3.1.2 实验应变响应的协方差参数 |
| 3.2 损伤识别的步骤 |
| 3.3 七层框架模型及其数值模拟 |
| 3.3.1 单个损伤,不同损伤程度 |
| 3.3.2 单个损伤,相同损伤程度,但噪音不同 |
| 3.3.3 多个损伤，损伤单元的损伤程度相同 |
| 3.3.4 多个损伤，损伤单元的损伤程度不相同 |
| 3.4 本章小结 |
| 第四章 基于加速度响应不同频带协方差参数和D-S证据理论的损伤识别 |
| 4.1 加速度响应不同频带协方差参数 |
| 4.1.1 加速度脉冲响应协方差参数 |
| 4.1.2 CoI对结构参数的敏感性 |
| 4.1.3 实验加速度脉冲响应的协方差参数 |
| 4.2 损伤识别的步骤 |
| 4.3 七层框架模型及其数值模拟 |
| 4.3.1 单个损伤：第6单元刚度减少15% |
| 4.3.2 多个损伤:第45和52单元的刚度都减少15% |
| 4.3.3 其他情况的研究 |
| 4.4 本章小结 |
| 第五章 实验验证 |
| 5.1 简支钢梁实验验证 |
| 5.2 七层框架实验验证 |
| 第六章 总结展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及其他成果 |
| 致谢 |
（3）张弦桁架结构基于振动测试数据融合的损伤识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 结构损伤识别及数据融合 |
| 1.2.1 数据融合概述 |
| 1.2.2 损伤识别概述 |
| 1.3 损伤识别理论国内外研究现状 |
| 1.3.1 基于频域数据的损伤识别方法国内外研究现状 |
| 1.3.2 基于频域数据融合的损伤识别方法国内外研究现状 |
| 1.3.3 基于时域数据融合的损伤识别方法国内外研究现状 |
| 1.4 存在的问题 |
| 1.5 研究内容 |
| 第二章 张弦桁架基于频域数据的损伤位置定位方法 |
| 2.1 引言 |
| 2.2 单一损伤识别指标 |
| 2.2.1 曲率模态差 |
| 2.2.2 叠加曲率模态改变率 |
| 2.2.3 模态柔度差曲率 |
| 2.3 张弦桁架仿真分析 |
| 2.3.1 张弦桁架有限元模型 |
| 2.3.2 张弦桁架损伤模拟 |
| 2.4 单一损伤识别指标识别结果 |
| 2.4.1 单损伤识别结果 |
| 2.4.2 多损伤识别结果 |
| 2.5 本章小结 |
| 第三章 张弦桁架基于频域数据融合的损伤位置定位方法 |
| 3.1 引言 |
| 3.2 D-S证据理论 |
| 3.2.1 D-S证据理论概述 |
| 3.2.2 D-S证据理论合成规则 |
| 3.3 张弦桁架损伤位置定位方法 |
| 3.3.1 损伤工况 |
| 3.3.2 单次融合识别方法 |
| 3.3.3 两阶段融合识别方法 |
| 3.3.4 融合识别方法对比 |
| 3.4 抗噪性分析 |
| 3.4.1 噪声模拟 |
| 3.4.2 含噪声损伤识别结果 |
| 3.5 本章小结 |
| 第四章 张弦桁架基于频域数据融合的损伤程度定量方法 |
| 4.1 引言 |
| 4.2 基于频域数据的损伤程度定量理论 |
| 4.2.1 单元损伤程度 |
| 4.2.2 单元等效损伤程度 |
| 4.2.3 均匀荷载面曲率 |
| 4.3 张弦桁架损伤程度定量方法 |
| 4.3.1 张弦桁架损伤程度判断流程 |
| 4.3.2 张弦桁架算例 |
| 4.4 本章小结 |
| 第五章 张弦桁架基于时域数据融合的损伤识别方法 |
| 5.1 引言 |
| 5.2 基于时域数据融合的损伤识别理论 |
| 5.2.1 深度学习理论概述 |
| 5.2.2 深度学习应用于张弦桁架损伤识别的优势 |
| 5.2.3 卷积神经网络 |
| 5.3 基于卷积神经网络的张弦桁架融合损伤识别方法 |
| 5.3.1 基于卷积神经网络的张弦桁架融合损伤识别流程 |
| 5.3.2 时域数据样本库的构建 |
| 5.3.3 数据预处理与数据增广 |
| 5.3.4 卷积神经网络的构建 |
| 5.3.5 卷积神经网络的训练和测试 |
| 5.4 基于卷积神经网络的张弦桁架融合损伤识别结果 |
| 5.4.1 损伤位置识别结果 |
| 5.4.2 损伤程度识别结果 |
| 5.5 本章小结 |
| 第六章 实际案例损伤识别分析 |
| 6.1 引言 |
| 6.2 实际工程损伤识别分析 |
| 6.2.1 工程简介 |
| 6.2.2 有限元损伤模拟 |
| 6.2.3 基于频域数据融合的损伤识别结果 |
| 6.3 张弦桁架试验损伤识别分析 |
| 6.3.1 试验概况 |
| 6.3.2 试验融合损伤识别结果 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者攻读硕士学位期间发表的学术成果和参与项目 |
| 致谢 |
（4）基于D-S证据理论的空中目标识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 空中目标识别国外研究现状 |
| 1.2.2 空中目标识别国内研究现状 |
| 1.3 本文主要工作及章节安排 |
| 第2章 信息融合理论基础 |
| 2.1 多传感器目标识别 |
| 2.1.1 数据级目标识别 |
| 2.1.2 特征级目标识别 |
| 2.1.3 决策级目标识别 |
| 2.2 证据理论基础 |
| 2.2.1 识别框架 |
| 2.2.2 基本概率分配函数 |
| 2.2.3 不确定性表示 |
| 2.2.4 Dempster组合规则 |
| 2.3 证据理论的不足及改进分析 |
| 2.4 本章小结 |
| 第3章 基于改进证据支持度的多传感器空中目标识别 |
| 3.1 空中目标识别方法分析 |
| 3.2 一种新的目标识别融合算法 |
| 3.2.1 证据冲突的表示 |
| 3.2.2 加权均值 |
| 3.2.3 支持度系数 |
| 3.2.4 空中目标识别方法 |
| 3.3 仿真实验结果与性能对比 |
| 3.4 本章小结 |
| 第4章 基于Pignistic和 Deng熵的多传感器空中目标识别 |
| 4.1 空中目标识别基本理论 |
| 4.1.1 Pignistic概率函数 |
| 4.1.2 Deng熵 |
| 4.2 基于Pignistic距离和Deng熵的多传感器空中目标识别方法 |
| 4.2.1 证据的可信度 |
| 4.2.2 证据的信息熵 |
| 4.2.3 证据的修正系数 |
| 4.2.4 融合识别 |
| 4.3 仿真实验结果与性能对比 |
| 4.3.1 低冲突信息 |
| 4.3.2 高冲突信息 |
| 4.4 本章小结 |
| 第5章 基于修正冲突证据的多传感器空中目标识别 |
| 5.1 空中目标识别框架的建立 |
| 5.2 一种新的空中目标识别融合算法 |
| 5.2.1 计算证据修正系数 |
| 5.2.2 判断证据体是否存在高冲突证据 |
| 5.2.3 修正证据并融合识别 |
| 5.3 仿真实验结果与性能对比 |
| 5.4 本章小结 |
| 第6章 总结 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（5）基于支持向量机的雷达辐射源识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景与意义 |
| 1.3 国内外研究现状 |
| 1.4 论文主要研究内容和结构安排 |
| 第二章 支持向量机及优化算法 |
| 2.1 支持向量机模型 |
| 2.1.1 最佳分隔超平面 |
| 2.1.2 核函数类型及核参数 |
| 2.1.3 不同核函数的SVM分类模型研究 |
| 2.2 烟花算法 |
| 2.2.1 烟花算法原理 |
| 2.2.2 烟花算法基本操作 |
| 2.2.3 烟花算法流程框图 |
| 2.2.4 烟花算法设计步骤 |
| 2.3 粒子群算法 |
| 2.3.1 粒子群算法原理 |
| 2.3.2 粒子群算法基本操作 |
| 2.3.3 粒子群算法流程框图 |
| 2.3.4 粒子群算法设计步骤 |
| 2.4 SVM参数优化现状 |
| 2.5 本章小结 |
| 第三章 基于改进烟花算法的雷达辐射源识别研究 |
| 3.1 烟花算法改进研究 |
| 3.1.1 爆炸半径改进 |
| 3.1.2 变异方式改进 |
| 3.1.3 改进算法流程框图 |
| 3.1.4 改进算法函数测试 |
| 3.2 基于改进烟花算法的雷达辐射源识别模型 |
| 3.2.1 雷达信号特征参数 |
| 3.2.2 雷达辐射源识别模型 |
| 3.2.3 仿真实验分析 |
| 3.3 本章小结 |
| 第四章 基于D-S证据理论的雷达辐射源融合识别研究 |
| 4.1 融合识别概述 |
| 4.2 D-S证据理论改进研究 |
| 4.2.1 基本概念 |
| 4.2.2 基本概率赋值生成方法 |
| 4.2.3 Dempster组合规则 |
| 4.2.4 冲突证据融合改进研究 |
| 4.3 雷达辐射源融合识别仿真分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）指挥系统地面多源数据融合识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 多源数据融合识别技术国内外研究现状 |
| 1.2.1 多源数据融合识别 |
| 1.2.2 多源数据融合功能模型 |
| 1.2.3 多源数据融合方法 |
| 1.3 主要研究工作 |
| 1.3.1 研究的重要内容 |
| 1.3.2 论文结构 |
| 2 地面多源数据融合识别系统 |
| 2.1 数据融合识别系统整体方案 |
| 2.1.1 系统需求分析 |
| 2.1.2 系统方案设计 |
| 2.2 数据融合识别结构选择 |
| 2.3 数据融合识别关键技术 |
| 2.4 本章小结 |
| 3 基于速度方向的数据关联方法研究 |
| 3.1 数据关联 |
| 3.2 接收报文 |
| 3.2.1 报文格式 |
| 3.2.2 UDP通信 |
| 3.3 数据预处理 |
| 3.3.1 空间对准 |
| 3.3.2 时间对准 |
| 3.4 基于速度方向的最近邻数据关联方法研究 |
| 3.4.1 最近邻域法原理 |
| 3.4.2 基于速度参考的数据关联方法研究 |
| 3.5 本章小结 |
| 4 基于证据支持水平的目标识别方法研究 |
| 4.1 基于D-S证据理论的目标识别算法研究 |
| 4.1.1 D-S证据理论基本思想 |
| 4.1.2 经典D-S证据融合存在的缺陷 |
| 4.2 基于证据支持水平的融合识别方法 |
| 4.2.1 核心思想 |
| 4.2.2 算法流程 |
| 4.3 本章小结 |
| 5 指挥系统地面多源数据融合识别实验平台设计与实现 |
| 5.1 系统所用软件介绍 |
| 5.2 系统应用软件界面设计 |
| 5.3 系统模块设计 |
| 5.3.1 通信模块 |
| 5.3.2 数据库模块 |
| 5.3.3 数据关联模块 |
| 5.3.4 目标识别模块 |
| 5.4 本章小结 |
| 6 实验分析 |
| 6.1 基于速度方向的最近邻域数据关联方法实验分析 |
| 6.2 基于证据支持水平的目标识别实验分析 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（7）在役大跨径梁桥挠度监测与结构运营状态分析的关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究与发展动态 |
| 1.2.1 桥梁动挠度监测技术 |
| 1.2.2 桥梁动挠度的数据处理 |
| 1.2.3 基于挠度的荷载识别方法 |
| 1.2.4 基于挠度的结构安全评估方法 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 关键技术问题 |
| 1.3.3 技术路线 |
| 第二章 大跨径梁桥的挠度监测技术研究 |
| 2.1 连通管压力场理论分析 |
| 2.1.1 重力与振动加速度作用下的连通管压力场作用机理 |
| 2.1.2 基于水锤模型的管壁粘滞作用耦合4-方程 |
| 2.1.3 考虑流固耦合效应的连通管作用机理 |
| 2.1.4 基于ALE法的连通管水锤效应的数值算法 |
| 2.1.5 连通管动态特性数值模拟分析 |
| 2.2 基于压力场连通管法的桥梁挠度监测试验模型 |
| 2.2.1 试验模型总体概述 |
| 2.2.2 试验设备参数 |
| 2.2.3 试验过程及数据采集 |
| 2.3 基于压力场连通管法的挠度测量效果评价 |
| 2.3.1 静载试验下挠度测量效果评价 |
| 2.3.2 自由振动下动挠度测量效果评价 |
| 2.4 结构振动对动挠度测量影响及精度改进 |
| 2.4.1 试验验证 |
| 2.4.2 结果分析 |
| 2.5 连通管布设对动挠度测量影响及精度改进 |
| 2.5.1 连通管弯管高差对挠度测量影响分析 |
| 2.5.2 连通管弯管区域对挠度测量影响分析 |
| 2.6 本章小结 |
| 第三章 基于联合字典的桥梁动挠度稀疏分离 |
| 3.1 挠度信号分析 |
| 3.2 稀疏表示基本概念 |
| 3.2.1 信号稀疏表示 |
| 3.2.2 联合字典 |
| 3.3 基于联合字典的桥梁动挠度稀疏分离 |
| 3.3.1 车辆引起动动挠度分离 |
| 3.3.2 温差效应与长期挠度稀疏分离 |
| 3.3.3 桥梁动挠度稀疏分离基本流程 |
| 3.4 数值案例验证 |
| 3.4.1 算例概述 |
| 3.4.2 方法验证 |
| 3.4.3 模型影响分析 |
| 3.5 本章小结 |
| 第四章 基于动挠度和蜻蜓算法的桥梁移动车辆荷载识别 |
| 4.1 车辆荷载识别的理论概述 |
| 4.2 蜻蜓算法基本理论 |
| 4.3 基于蜻蜓算法的车辆荷载识别方法 |
| 4.3.1 移动荷载作用下的桥梁振动分析 |
| 4.3.2 移动荷载识别的控制方程 |
| 4.3.3 基于蜻蜓算法的桥梁移动车辆荷载识别 |
| 4.4 数值算例验证 |
| 4.4.1 简支梁数值案例 |
| 4.4.2 连续梁数值案例 |
| 4.4.3 讨论分析 |
| 4.5 工程案例应用 |
| 4.5.1 工程概况 |
| 4.5.2 桥梁有限元模型建立与修正 |
| 4.5.3 移动荷载识别方法验证 |
| 4.6 本章小结 |
| 第五章 基于分离挠度与D-S证据理论的桥梁结构状态分析 |
| 5.1 基于随机车流-桥耦合振动的挠度特性 |
| 5.1.1 车辆与桥梁耦合振动方程 |
| 5.1.2 大跨径桥梁随机车流模拟 |
| 5.1.3 挠度车辆荷载效应的预警指标 |
| 5.2 大跨径梁桥长期下挠特性 |
| 5.3 大跨径梁桥温度变形特性 |
| 5.4 基于D-S证据理论的桥梁结构性能评估 |
| 5.4.1 D-S证据理论及其评估流程 |
| 5.4.2 基于监测挠度的D-S证据理论桥梁评估 |
| 5.5 本章小结 |
| 第六章 大跨径梁桥动挠度监测与状态分析的工程应用 |
| 6.1 工程概述 |
| 6.2 动挠度监测系统的设计与实桥验证 |
| 6.2.1 监测系统的总体架构 |
| 6.2.2 监测系统设计的关键问题 |
| 6.2.3 实桥挠度监测系统的建设 |
| 6.2.4 挠度监测精度的对比验证 |
| 6.3 基于监测数据的动挠度信号分离 |
| 6.3.1 数据预处理 |
| 6.3.2 桥梁动挠度分离 |
| 6.4 基于D-S证据理论的桥梁评估 |
| 6.4.1 随机车流作用下桥梁挠度变形 |
| 6.4.2 长期下挠的分级预警值及其BPA |
| 6.4.3 桥梁温度荷载的挠度效应及其BPA |
| 6.4.4 基于监测挠度的桥梁结构性能综合分析 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 研究结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）红外与可见光图像融合的无人机目标检测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 目标检测算法研究现状 |
| 1.2.2 图像融合算法研究现状 |
| 1.3 现状总结及课题难点分析 |
| 1.4 主要研究内容及结构安排 |
| 第2章 不同尺度无人机目标检测技术 |
| 2.1 引言 |
| 2.2 无人机大尺度目标检测算法 |
| 2.2.1 基于卷积神经网络目标检测算法 |
| 2.2.2 针对无人机大尺度目标的YOLO算法检测流程 |
| 2.2.3 算法性能分析 |
| 2.3 小尺度无人机目标检测算法 |
| 2.3.1 基于形态学滤波的小目标检测技术 |
| 2.3.2 基于改进YOLO卷积神经网络的小目标检测算法 |
| 2.3.3 算法性能分析 |
| 2.4 本章小结 |
| 第3章 不同尺度下的多无人机目标跟踪技术 |
| 3.1 引言 |
| 3.2 基于DBT方式的多目标跟踪算法 |
| 3.2.1 关联算法中的轨迹管理模块 |
| 3.2.2 基于全局最优的关联分配算法 |
| 3.2.3 改进的二次关联跟踪算法 |
| 3.3 面向不同尺度下的目标检测跟踪流程 |
| 3.4 实验验证与分析 |
| 3.4.1 实验平台搭建 |
| 3.4.2 不同尺度目标跟踪算法验证 |
| 3.5 本章小结 |
| 第4章 红外与可见光图像多特征融合的目标识别技术 |
| 4.1 引言 |
| 4.2 D_S证据理论基础 |
| 4.2.1 D_S证据理论基本函数定义与组合规则 |
| 4.2.2 基本概率赋值生成常用方法 |
| 4.3 D_S理论基础在多源图像融合识别中的应用 |
| 4.4 基于多特征的目标可信度识别 |
| 4.4.1 基于大目标HOG特征与神经网络的目标可信度识别 |
| 4.4.2 基于小目标平均灰度分布与模糊理论结合的可信度识别 |
| 4.4.3 基于轨迹和速度特征可信度识别 |
| 4.5 基于D_S证据理论的二次融合识别 |
| 4.6 实验验证与分析 |
| 4.6.1 多特征目标可信度识别验证 |
| 4.6.2 红外与可见光图像二次融合识别验证 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（9）基于传感器的行为识别关键问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外发展状况 |
| 1.2.1 基于传感器的行为识别研究现状 |
| 1.2.2 行为识别中数据分割问题的研究现状 |
| 1.2.3 行为识别中特征优选问题的研究现状 |
| 1.2.4 行为识别中多传感器数据融合问题的研究现状 |
| 1.3 论文内容及组织结构 |
| 1.3.1 论文主要内容 |
| 1.3.2 论文组织结构 |
| 2 基于传感器的行为识别方法 |
| 2.1 行为识别的一般过程 |
| 2.2 数据感知与获取方法 |
| 2.3 数据分割方法 |
| 2.4 特征提取与优选方法 |
| 2.4.1 特征提取方法 |
| 2.4.2 特征优选方法 |
| 2.5 多传感器数据融合方法 |
| 2.6 行为识别的典型分类方法 |
| 2.6.1 K近邻算法 |
| 2.6.2 朴素贝叶斯算法 |
| 2.6.3 决策树算法 |
| 2.6.4 支持向量机算法 |
| 2.7 本章小结 |
| 3 基于马氏距离的行为数据分割方法 |
| 3.1 问题描述 |
| 3.2 基本动作与过渡动作数据分割方法 |
| 3.3 多行为模式中基于马氏距离的行为数据分割方法 |
| 3.4 实验结果与分析 |
| 3.4.1 实验性能评价指标 |
| 3.4.2 实验数据集 |
| 3.4.3 实验对比与分析 |
| 3.5 本章小结 |
| 4 基于特征相关度的二进制粒子群特征优选方法 |
| 4.1 问题描述 |
| 4.2 二进制粒子群优化算法 |
| 4.2.1 粒子群优化算法的基本思想 |
| 4.2.2 二进制粒子群优化算法的一般过程 |
| 4.3 基于特征相关度的二进制粒子群特征优选方法 |
| 4.3.1 特征相关度 |
| 4.3.2 基于特征相关度的二进制粒子群特征优选算法 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 5 基于加权线性判别分析的多传感器数据融合方法 |
| 5.1 问题描述 |
| 5.2 线性判别分析方法 |
| 5.3 基于加权线性判别分析的多传感器数据融合方法 |
| 5.3.1 算法基本思想 |
| 5.3.2 算法实现 |
| 5.4 实验结果与分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间研究成果 |
（10）基于证据价值的冲突证据合成方法（论文提纲范文）
| 1 引言 |
| 2 证据理论基本概念 |
| 2.1 识别框架 |
| 2.2 基本概率分配函数 |
| 2.3 信任函数和似然函数 |
| 2.4 组合规则 |
| 3 证据理论存在的问题 |
| 4 证据冲突的解决方法 |
| 5 实例分析 |
| 6 结束语 |
四、D-S证据理论在多传感器目标识别中的应用（论文参考文献）
- [1]基于D-S证据理论的空中目标敌我识别研究综述[J]. 陈致远,沈堤,余付平,陈宏阳,赵凯. 航空兵器, 2021(03)
- [2]基于振动响应协方差参数和D-S证据理论的损伤识别[D]. 叶鑫泉. 暨南大学, 2020
- [3]张弦桁架结构基于振动测试数据融合的损伤识别方法研究[D]. 张庆方. 东南大学, 2020(01)
- [4]基于D-S证据理论的空中目标识别研究[D]. 常玉婷. 河南科技大学, 2020(06)
- [5]基于支持向量机的雷达辐射源识别研究[D]. 孙壮壮. 西安电子科技大学, 2020(05)
- [6]指挥系统地面多源数据融合识别研究[D]. 方怡. 重庆理工大学, 2020(08)
- [7]在役大跨径梁桥挠度监测与结构运营状态分析的关键技术研究[D]. 曾攀. 华南理工大学, 2019(06)
- [8]红外与可见光图像融合的无人机目标检测方法研究[D]. 赵烨. 哈尔滨工业大学, 2019(02)
- [9]基于传感器的行为识别关键问题研究[D]. 安洋. 西安理工大学, 2017(01)
- [10]基于证据价值的冲突证据合成方法[J]. 丁文静,刘以安,薛松. 计算机工程与科学, 2016(08)