一、数据融合中的态势觉察技术（论文文献综述）
黄沛烁[1]（2019）在《考虑时空特性的网络安全态势感知应用研究》文中指出电力信息物理系统（Cyber Physical Power System,CPPS）（简称“电力CPS”）是传统电力系统在先进信息技术支撑下的一种新形态,也是智能电网的主要特征,但它同时也带来了潜在的安全问题,这是由一次系统与二次系统耦合过程中的复杂机理导致的。电力CPS主要由电力信息系统和电力物理系统组成。稳定、可靠的信息通信系统对电力系统的安全运行至关重要,而信息通信系统运行过程产生的海量日志数据中隐藏着大量的安全信息,如何运用日志分析技术实现对系统运行状态和用户行为的监视,成为目前的一个难点问题。在此背景下,本文给出一种考虑时空特性的网络安全态势感知方法,并通过C#编程实现该系统。该方法中主要包括报警信息融合和电力CPS网络安全态势感知两部分。首先,给出一种报警信息融合方法。由于电力信息系统的日志具有数据量大、为多源异构日志数据、各日志间无直接联系等特点。本文结合电力信息系统日志特点,给出一种考虑时空特性的报警信息融合方法。在该方法中按照日志数据预处理、数据源可信度分析、报警信息融合等步骤实现报警信息融合。并通过实验证明,该方法具有较高的可用性。其次,给出一种针对电力CPS的网络安全态势评估方法。该方法建立在已融合的报警信息基础上。在该方法中,将电力CPS抽象为一个网络,将资产间的威胁传播定义为威胁传播树。在抽象的基础上,对网络节点重要性进行量化评估,并确立一个考虑精确度与时效性折中决策的隶属度函数。该隶属度函数用于改进威胁传播树的生成算法。以IEEE30节点系统为例建立仿真电力CPS系统,对该系统的网络安全进行态势评估。通过仿真计算,验证上述方法的可行性和有效性。最后,结合电力系统实际,按照本文给出的考虑时空特性的网络安全态势感知方法进行系统设计与实现,并通过具体的应用案例对系统进行展示。
吉祥[2]（2016）在《基于聚类分群与模板匹配的态势估计方法研究》文中研究指明态势估计是战场数据融合中的重要层次。战场态势估计在现代作战中发挥着越来越重要的作用,总结应用领域内国内外专家提出的方法对于提高态势估计的效果具有深刻意义。本文主要利用模板匹配的方法进行了态势估计的研究,可用于识别敌方的作战意图,为战场指挥员提供有益的参考。论文重点研究了基于聚类分群与模板匹配的态势估计方法,主要创新体现在以下几个方面:首先提出了基于聚类算法的战场目标分群方法,介绍了K-means算法的优势及其缺陷,针对其缺陷做出改进。对初始聚类中心的选取问题提出利用先验知识驱动的解决方案,即根据具体应用场景选取相应初始聚类中心。并在实验环节将提出的目标分群算法与传统的K-means算法的分群效果进行了对比,验证了方法的有效性。其次提出了战场事件的表示方法以及态势模板的构建方法,指出了各种战场事件的类型,并对其进行了合理表示。指出了态势模板与战场事件的区别,对其进行了合理分层,为态势匹配提供了便利,更符合战场实际情况。最后提出了战场事件与态势模板的匹配方法,由于态势匹配的不确定性,将之前提出的匹配方法又进行了改进,通过引入支持度的概念,对匹配方法进行了改进,提高了态势参考的实用性,预期匹配结果将有很大改善。
陈铁军[3]（2013）在《信息融合系统中态势估计技术研究及系统实现》文中进行了进一步梳理随着数字信息社会的飞快发展，特别是计算机技术、微电子技术、通信技术与传感技术的发展，导致现代战争的多样性与复杂性日益提高，单一传感器已经无法保证在任何时刻都能提供准确有效的信息。为达到准确、处理及时与可靠的目标，迫使系统需要对多种传感器的信息进行有效的综合，面向各种复杂应用对象的多传感器信息融合系统不断出现。其中态势估计是信息融合系统中的高层次关键信息技术，提供实时估计与辅助决策能力对现代战场具有非常重要意义。本文旨在研究态势估计方法，并把该方法应用于实际态势估计系统中。具体的研究内容和成果如下：（1）简要介绍了态势估计的相关理论，它是信息融合系统中的二级融合，为决策级融合，其实质就是对提取的态势元素进行觉察、理解与预测的过程。（2）分析了近十几年来一些常用的态势估计方法，由于估计过程过于依赖领域知识，因此本文提出一种基于Rough-Vague集与证据理论的态势估计方法：利用目标历史数据获取简约决策表，建立事件Vague集进行目标机动事件检测，再运用证据合成公式融合目标不同时刻的事件结果，获得最终的态势估计结果。此方法的事件检测过程不需要任何领域知识。（3）基于ArcGIS（一种地理信息系统软件）设计并实现了态势估计系统。系统采用C/S模式，一级融合输出的态势数据都存储在服务器上，客户端应用程序通过ADO.NET与ArcGIS提供的中间件访问服务器上的数据并对其进行处理。该系统通过ArcGIS Engine提供的接口实现了二维目标展示、目标轨迹展示与回放以及三维目标展示，而且实现了提出的态势估计方法，并把结果提供给用户查询以及在GIS图层展示出来。通过评估测试可知，系统具有较好的估计性能，并能够快速流畅地更新目标，对指挥者做出正确决策起到了很好的辅助作用。
陈华[4]（2012）在《机载多传感器数据融合态势评估关键技术研究》文中认为态势评估是信息融合领域一个重要的研究方向，它结合了数据融合方法、知识表示方法和智能算法，是反映战场态势的一个多层视图。随着科学技术的发展，态势评估技术不仅可以应用于军事战场上，在网络、交通等领域也有了广泛的应用。在战场上，准确、及时地反应出战场态势，是决定作战成败的一个关键因素。态势评估技术不仅能实时反应战场态势，而且能在一定程度上减少指挥员关注的目标数目，方便指挥员做出及时的决策。因此，对态势评估技术的研究已经成为了一个研究热点。战场上的信息是海量的，敌方电子干扰、敌方欺骗行为和传感器性能等因素，使战场信息具有不确定性和复杂性；而且态势评估技术要考虑众多因素，如社会背景、兵力部署、环境因素等，因此使得态势评估技术成为了一个研究难点。在现代战争复杂多变的情况下，提出一种能够应用于所有作战场景的方法是非常困难的，因此，本文主要根据态势评估的功能模型，在空空拦截特定作战场景下，研究了态势评估技术中关于目标分群和意图预测这两个关键技术，并在此基础上，设计并实现了态势评估仿真平台。论文主要包括以下内容：1.分析了态势评估中的态势觉察、态势理解和态势预测这三个功能及每个功能要解决的关键技术，并对现有的态势评估方法进行了分析比较。2.提出了一种基于图的全局优化模糊C-均值算法，将其应用于态势评估中的目标分群，并将其与模糊C-均值算法进行了仿真比较。3.提出了基于复杂网络模块密度的变色龙算法，将其应用于态势评估的目标分群，并对该算法进行了仿真分析，验证其可行性。4.提出了动态贝叶斯迭代推理算法，将其应用于态势评估的意图预测关键技术中，并对该算法和动态贝叶斯网络直接推理算法进行了仿真比较。5.根据空空拦截作战场景的需求，在C++Builder6.0平台上，设计并实现了态势评估仿真平台，并进行了一定的实验，实现了态势评估的基本功能，完成了设计需求。
王晓帆[5]（2012）在《信息融合中的态势评估技术研究》文中进行了进一步梳理随着科技的飞速发展，特别是传感器技术、通信技术、计算机技术等相关信息技术的发展，信息融合已经广泛的应用于包括军事、金融、生物等多个科技领域。信息融合作为当今科学研究中的一个重要课题，其研究的主要目的是如何优化融合多数据源信息，从而获得对发生的事件更加客观而准确的描述与评估，并对未来态势的发展方向做出准确的预测。态势评估作为信息融合过程中的关键步骤，具有重要的意义。本文对态势评估理论与模型、态势规则约简、态势预测等方面进行了系统的研究。主要研究内容如下：1.根据态势评估所要完成的功能，以及态势评估中的三个过程：态势觉察、态势理解和态势预测，分析研究了态势评估的实现方法，改进了态势评估的多级模型；针对态势知识的模糊性问题，提出了基于粗糙集的态势规则获取方法；在分析态势评估框架的基础上，针对态势估计中的不同阶段和信息来源，提出了基于事件驱动模板的态势推理方法。2.分析了态势觉察中信息的海量性与不确定性，利用基于粗糙集的知识发现方法，提出基于二值化的差别矩阵模型，构造了基于区分元素个数的区别队列，减小了知识约简过程中的搜索空间，提高了信息约简效率。3.针对规则知识库中的规则约简问题，在深入研究粗糙集知识约简基础之上，提出改进的属性值树模型，充分利用树结构特点与树的合并算法，建立新的知识约简算法，降低属性约简与值约简的时间复杂度与空间复杂度，提高态势评估规则匹配效率。4.研究了态势评估中的计划识别理论，指出态势评估实质上是一个计划识别过程，针对现有计划识别方法在知识模糊性与不确定性上表示的不足，深入探讨了基于贝叶斯网络推理的计划识别方法，提出了一种基于直觉模糊表示的贝叶斯网络推理模型，克服原有贝叶斯网络推理不能区分不确定和不知道的特性，以及信息犹豫度较大时引起的推理结果的矛盾性；分析研究了战术智能规划的一个实例，给出了一个基于直觉模糊表示的贝叶斯网络推理态势估计模型，验证了模型的正确性。5.讨论了态势评估的不确定性因素的影响权重，给出了基于直觉模糊信息表示方法，并提出基于多属性直觉模糊决策的态势评估方法。并以实例说明了态势预测过程，表明了使用此种方法求解态势评估问题的可行性与高效性。
王忆南[6]（2011）在《基于概率图模型的态势估计》文中研究说明战场态势估计是多源数据融合系统中的二级融合,它对来自一级数据融合的当前战场作战平台的各种状态信息进行抽取和分析,给出当前战场下敌方的态势,并将结果传递给下一级融合系统即威胁估计系统。态势估计主要完成三个功能:事件检测、目标编群以及态势预测。本文对战场态势估计中的相关理论进行了深入研究,主要内容如下:目标编群是将当前战场上的各作战平台聚合为目标群,从而为军事决策提供兵力层次的战场信息。传统的目标编群一般采用层次聚类法和K-均值算法。层次聚类的缺点是,由于战场的多样性,使得作为终止条件的阈值选取非常困难,从而导致编群错误。而K-均值算法的缺陷是极易陷入局部最小化,导致得到错误的聚类中心。针对上述问题,本文采用基于HSC的目标编群算法。这种方法通过严密的数学变换,将不可微的目标函数转化为具有单一极值点的可微函数,从而可以通过最优化方法求取目标函数的全局极小值,从而得到正确的编群结果。本文对基于概率图模型的态势预测进行了深入研究。这种方法首先将概率图模型转化为团树,然后使用团树传播算法对概率图模型进行推理。其中,概率图模型向团树的转化需要利用消元序列对概率图模型进行三角化,传统的方法是手动输入消元序列,但是这种方法的效率比较低,而且很容易得出局部最优的消元序列,从而影响到团树推理的效率。针对这个问题,本文采用基于自适应遗传算法的三角化方法,这种方法具有很强的全局搜索能力,能够准确地找到最优的消元序列,从而提高了态势预测的效率。
王瑾[7]（2011）在《基于直觉模糊推理的网络舆情态势分析与威胁估计技术研究》文中提出互联网的迅速发展给人们表达个人观点带来了极大自由,人们可以通过网络对自己关心的公共事务发表看法和意见。网络舆情态势分析与威胁估计是分析网络舆情话题数据,得到舆情产生、发展、消亡等过程的态势以及可能的威胁等级,从而为相关部门了解民意和及时有效的疏导网络舆情提供决策支持。本文主要研究网络舆情态势分析与威胁估计功能模型、网络舆情态势分析技术、网络舆情威胁等级判定技术。论文的主要研究成果如下:（1）借鉴军事态势分析与威胁估计思想,构建了一种网络舆情态势分析与威胁估计功能模型。该模型从舆情数据出发,阐述了网络舆情态势觉察、网络舆情态势理解、网络舆情态势预测等网络舆情态势分析内容;以网络舆情态势分析结果为基础,完成网络舆情威胁等级判定。（2）面向网络舆情态势理解,把公众反应分析归结为一个综合评价问题,提出一种基于直觉模糊综合评判的公众反应分析方法。首先,根据专家经验确定属性公众数量与传播速度的权值;其次,定义公众反应分析每个属性对公众反应的直觉模糊评价,构成直觉模糊评价矩阵;再次,采用直觉模糊综合评判的方法,获得公众反应综合直觉模糊评价值;最后,合成真值并利用最大真值原则判定公众反应。实验结果验证了该方法的有效性和适用性。（3）针对话题与公众联系分析四个属性倾向性、关注度、敏点、焦点之间存在一定的相关性,提出一种基于Choquet模糊积分的话题与公众联系分析方法。首先,定义四个属性分别对话题与公众联系的直觉模糊评价值;其次,根据专家经验构建Shalpey判断矩阵,获得各属性的Shalpey值,优化最大Marichal熵求取各属性模糊密度;再次,采用Choquet模糊积分方法,融合四个属性对话题与公众联系直觉模糊评价值,获得综合直觉模糊评价;最后,合成真值并采用最大真值原则判定话题与公众联系。实验结果验证了该方法的有效性和适用性。（4）为实现计算机自动进行舆情分级,提出一种基于直觉模糊推理的网络舆情威胁等级判定方法。首先,对推理条件及网络舆情威胁等级分别直觉模糊化;其次,构建合理的推理规则库,建立起推理条件与威胁等级之间的非线性联系,设计推理算法;再次,计算推理结果与各威胁等级直觉模糊子集的贴近度;最后,采用最大贴近度原则判定网络舆情威胁等级。实验结果表明,该方法是有效的,有较高的准确率。
柴慧敏[8]（2009）在《态势估计中的关键技术研究》文中研究说明现代战争已呈现出复杂性不断增加、作战范围越来越广、参战作战单元越来越多的特点,这要求现代C4ISR系统能够融合各种战场信息,形成正确的战场感知信息,及时准确地评估战场态势,为指挥人员的作战决策提供信息支持。因此,态势估计技术已成为多传感器信息融合系统的高层关键技术。态势评估（Situation Assessment, SA）是对战场上获得的多种类、多层次信息流的高层次关系提取与综合处理、融合,更接近于人的思维过程,要涉及到众多的因素、数据、知识、规则、作战样式和条例,得到敌方兵力结构、使用特点的评判,最终形成战场综合态势图。本文对态势估计理论、主要方法进行了研究,主要内容包括:1.在分析了态势估计功能模型和定义的基础上,探讨了态势觉察阶段的主要功能和实现方法;针对不同战场事件类型的检测,分别给出了基于模糊逻辑的检测方法和基于模板匹配的检测方法;讨论了态势知识表示方法和目标分群问题,提出了基于贝叶斯网络的态势知识表示模型,详细分析了态势估计中目标分群的主要功能。2.针对不同战场环境的目标分群问题,给出了基于模板匹配的分群方法和基于模糊推理的分群方法;在基于模板匹配的分群方法中,依据海、空作战目标的状态特征值对目标进行聚类,然后采用基于模板匹配的方法对所划分的群进行分类;由于陆地战场环境的复杂性,根据所涉及的主要分群因素建立目标分群知识模型,通过模糊推理实现对陆地目标的分群和识别。3.分析了态势估计中计划识别的特点,提出了基于分层贝叶斯网络的计划识别方法;采用分层贝叶斯网络对计划进行分级表示,依据发生的战场事件和目标行为,动态构建分层贝叶斯网络结构,并将其作为证据进行推理;为了解决动态构建贝叶斯网络的推理问题,提出构建虚拟节点的方法,将底层贝叶斯网络的推理结果作为不确定证据,输入到对应的上层网络节点中,以代替该底层贝叶斯网络。4.贝叶斯网络参数的学习是贝叶斯网络应用的关键问题之一。文中针对态势估计中贝叶斯网络的参数学习问题,根据实际应用的情况,提出了基于Noisy-or gate模型的参数构造方法,从而为解决态势估计中贝叶斯网络参数的确定问题提供一种途径。
孙润[9]（2009）在《态势估计技术研究与实现》文中认为多传感器数据融合技术是现代军事研究中的一个重要课题,其研究目的是如何通过综合多信息源的数据获得比依靠单个信息源更加准确的估计和推理。态势估计是数据融合系统中的高层关键技术,它主要在一级融合的基础上,提取态势元素,对态势元素进行综合分析,指出敌军的行为模式,推断敌军的意图,并对临近时刻的态势变化做出预测。本文主要对重要事件和复合事件的检测、海空目标编群、陆地兵力编群与指挥所识别和基于CLIPS模板匹配的计划识别进行了深入研究和实现。本文首先对态势觉察技术进行了研究,给出了态势觉察的问题描述,将事件划分为三类：基本事件、重要事件和复合事件,重点研究了基本事件和重要事件的检测方法,同时根据传统最近邻法在海空目标编群中的不足,提出了基于“最近邻+编队模板”的海空目标编群方法,提高了编群的准确性。针对陆地态势分析的需求,本文重点研究了陆地兵力编群与指挥所的识别技术,给出了陆地战场态势要素的提取和表示方法,采用旅、营指挥所和旅兵力部署的军事知识模板,解决了指挥所和兵力部署难以识别的问题,同时探讨了陆地兵力编群实现过程中的一些相关技术。态势理解和计划识别是态势估计的薄弱环节,目前主要依据知识和经验来解决特定的问题。本文给出了态势理解的问题描述和计划识别的基本概念,探讨了基于模板的军事计划表示,在此基础上提出了基于模板匹配的计划识别推理算法,并利用专家系统工具CLIPS实现了复合事件的检测和军事计划的识别。最后,通过两个想定的军事场景,对态势估计原型系统软件进行了测试,从事件检测、海空目标编群、陆地兵力编群以及计划识别等方面验证了态势估计实现技术的正确性和有效性。
王晓璇[10]（2007）在《陆战场装甲目标聚合算法研究》文中研究表明目标聚合问题是信息融合二级阶段——态势估计需要实现的一个重要功能，是一级信息融合的延伸和高级融合阶段的切合点。在联合作战的真实环境下，战役对象繁多，协同关系复杂，机动频繁，战场态势变化快，作战指挥官面对大量信息无法做出有效决策。通过目标聚合技术，对威胁单元的信息进行抽象和划分，形成关系级别上的军事体系单元假设，以便揭示态势元素之间的相互关系，确定相互合作的功能，解释陆战场装甲目标的各种行为，从而为作战企图判定、威胁估计奠定基础。本文围绕以上问题展开了较系统的研究，所作的工作概括如下：1、介绍了多传感器信息融合理论、功能通用模型和技术方法；阐述了态势估计要完成的功能，建立了态势觉察、态势理解和态势预测三级功能通用模型，分析了态势估计中目标分群的特点和属性。2、研究了模式识别领域的聚类分析算法的基本概念和性能衡量指标，考察了聚类分析技术在作战目标聚合问题上的适用性，对较为适用的常用聚类算法的思想和流程进行了详细的实现描述。3、建立了陆战场环境下装甲目标聚合问题的数学模型，采用MATLAB语言对常用聚类算法进行了仿真分析，比较各种算法的优劣并分析其原因。针对这些算法在目标聚合问题上的不足之处，提出了自适应分群算法和最近邻改进算法，并进行了数据仿真与性能分析。4、研究了作战目标的隶属关系与层次关系，提出了分层聚合算法，实现了目标群结构不同层次的抽象划分，提供了多层群结构的状态信息集合，初步揭示了态势元素之间的相互关系。值得指出的是，尽管本文研究的算法主要是针对陆战场上的装甲目标而设计的，但是只要稍加改进，完全可以应用于空中目标和海上目标的聚合问题，从而可以处理海、陆、空联合战场的目标聚合问题。
二、数据融合中的态势觉察技术（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、数据融合中的态势觉察技术（论文提纲范文）
（1）考虑时空特性的网络安全态势感知应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力CPS风险评估研究 |
| 1.2.2 网络安全态势感知研究 |
| 1.3 组织结构 |
| 1.4 本章小结 |
| 第2章 电力CPS网络安全态势感知概述 |
| 2.1 电力CPS网络安全态势感知方法 |
| 2.1.1 电力信息系统风险评估存在不足 |
| 2.1.2 电力CPS网络安全态势感知方法设计 |
| 2.2 数据预处理 |
| 2.3 数据融合 |
| 2.4 风险评估 |
| 2.5 态势感知 |
| 2.6 本章小结 |
| 第3章 考虑时空特性的多源报警信息融合 |
| 3.1 报警信息融合方法 |
| 3.2 报警数据预处理 |
| 3.2.1 报警日志规范化 |
| 3.2.2 报警信息归并 |
| 3.3 报警数据融合 |
| 3.3.1 D-S证据论基础 |
| 3.3.2 数据源可信度分析 |
| 3.3.3 多源数据报警信息融合 |
| 3.4 实验与结果分析 |
| 3.5 本章小结 |
| 第4章 考虑威胁传播特性的电力CPS态势评估 |
| 4.1 电力CPS安全态势基本概念 |
| 4.1.1 电力信息物理系统 |
| 4.1.2 相关定义 |
| 4.2 考虑时空特性的异常点重要性评估 |
| 4.2.1 改进LOF算法 |
| 4.2.2 更新异常点集 |
| 4.3 威胁传播期望 |
| 4.3.1 威胁传播机制 |
| 4.3.2 节点重要性评估 |
| 4.3.3 威胁传播期望量化 |
| 4.4 基于威胁传播树的电力CPS态势评估 |
| 4.4.1 威胁传播树生成规则 |
| 4.4.2 威胁传播树生成算法 |
| 4.4.3 网络安全态势评估 |
| 4.5 仿真分析 |
| 4.5.1 仿真系统设计 |
| 4.5.2 异常点重要性评估与剔除 |
| 4.5.3 计算电力CPS节点权重 |
| 4.5.4 确定精确度与时效性折中的决策隶属度函数 |
| 4.5.5 态势评估计算 |
| 4.6 本章小结 |
| 第5章 电力CPS网络安全态势感知系统设计 |
| 5.1 电力CPS网络安全态势感知系统设计原则和目标 |
| 5.2 系统功能模块设计 |
| 5.3 系统应用案例 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
| 附录 |
（2）基于聚类分群与模板匹配的态势估计方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 态势估计的研究背景 |
| 1.1.2 态势估计的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容及论文组织结构 |
| 1.3.1 论文的主要研究内容 |
| 1.3.2 论文的组织结构 |
| 第二章 态势估计理论研究 |
| 2.1 态势估计功能模型 |
| 2.1.1 态势估计的功能 |
| 2.1.2 态势估计三级功能模型 |
| 2.2 态势估计元素的形式化表示 |
| 2.2.1 态势要素 |
| 2.2.2 态势元素的知识表示 |
| 2.3 态势估计中的不确定性处理 |
| 2.4 态势估计的模板 |
| 2.4.1 态势估计模板 |
| 2.4.2 低层次的事件检测 |
| 2.4.3 高层次的计划识别 |
| 2.5 本章小结 |
| 第三章 基于聚类的战场目标分群 |
| 3.1 态势估计中的目标分群 |
| 3.2 聚类算法 |
| 3.2.1 K-means算法 |
| 3.2.2 GEWCKM算法 |
| 3.3 改进的基于熵权重的重心稳定聚类算法实验验证 |
| 3.3.1 目标分群模型的建立 |
| 3.3.2 改进的重心稳定算法聚类分群 |
| 3.4 本章小结 |
| 第四章 战场事件与作战态势模板的匹配 |
| 4.1 战场事件与态势模板的构建 |
| 4.1.1 战场事件的表示 |
| 4.1.2 作战态势模板的建立 |
| 4.2 作战态势模板与事件的匹配 |
| 4.2.1 作战态势模板与战场事件的匹配 |
| 4.2.2 态势匹配结果的不确定表示 |
| 4.3 本章小结 |
| 第五章 基于模板匹配的态势估计方法的验证 |
| 5.1 作战态势模板的建立 |
| 5.1.1 BAM行动级态势模板库建立 |
| 5.1.2 BTM、BCM、BSM态势模板库建立 |
| 5.2 基于模板匹配的态势估计系统验证 |
| 5.2.1 态势估计系统中的战场事件 |
| 5.2.2 基于模板匹配的态势估计 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 附录A 态势模板库 |
| 附录B 战场事件库 |
（3）信息融合系统中态势估计技术研究及系统实现（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 插图索引 |
| 附表索引 |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 态势估计国内外研究现状 |
| 1.2.1 信息融合研究现状 |
| 1.2.2 态势估计研究现状 |
| 1.3 本文的主要研究内容和组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文的组织结构 |
| 第2章 态势估计理论基础 |
| 2.1 信息融合 |
| 2.1.1 信息融合的定义 |
| 2.1.2 信息融合系统的功能模型 |
| 2.1.3 信息融合的级别 |
| 2.2 信息融合系统中的态势估计 |
| 2.3 态势估计的功能模型 |
| 2.4 小结 |
| 第3章 态势估计方法 |
| 3.1 常用的态势估计实现技术 |
| 3.1.1 贝叶斯网络 |
| 3.1.2 黑板模型 |
| 3.1.3 模板匹配 |
| 3.1.4 D-S 证据理论 |
| 3.2 基于 Rough-Vague 集与证据理论的态势估计 |
| 3.2.1 粗糙集 |
| 3.2.2 Vague 集 |
| 3.2.3 方法思想 |
| 3.2.4 方法过程 |
| 3.2.5 实例分析 |
| 3.3 小结 |
| 第4章 基于 ArcGIS 的态势估计系统 |
| 4.1 ArcGIS 概述 |
| 4.1.1 地理信息系统概述 |
| 4.1.2 ArcGIS 体系结构 |
| 4.1.3 ArcGIS 二次开发 |
| 4.2 系统总体设计 |
| 4.2.1 系统结构设计 |
| 4.2.2 系统功能设计 |
| 4.2.3 系统数据库设计 |
| 4.2.4 软件开发环境 |
| 4.3 系统功能实现 |
| 4.3.1 系统界面设计 |
| 4.3.2 二与三维地图展示 |
| 4.3.3 二维目标展示 |
| 4.3.4 二维目标轨迹展示与回放 |
| 4.3.5 三维目标展示 |
| 4.3.6 二三维联动 |
| 4.3.7 态势估计模块 |
| 4.4 系统评估与测试 |
| 4.4.1 估计性能评估 |
| 4.4.2 模拟运行测试 |
| 4.4.3 系统效率测试 |
| 4.5 小结 |
| 总结和展望 |
| 参考文献 |
| 致谢 |
| 附录 A（攻读硕士学位期间所发表的学术论文目录） |
| 附录 B（攻读硕士学位期间所参与的学术科研活动） |
（4）机载多传感器数据融合态势评估关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 态势评估研究现状 |
| 1.2.2 态势评估中目标分群技术研究现状 |
| 1.3 本文主要工作及内容安排 |
| 1.3.1 本文主要工作 |
| 1.3.2 论文内容安排 |
| 第二章 态势评估技术分析 |
| 2.1 态势评估技术 |
| 2.1.1 态势评估概述 |
| 2.1.2 态势评估功能 |
| 2.2 常用态势评估算法 |
| 2.2.1 专家系统 |
| 2.2.2 模板匹配技术 |
| 2.2.3 品质因数 |
| 2.2.4 贝叶斯网络 |
| 2.2.5 聚类分析 |
| 2.3 本章小结 |
| 第三章 基于聚类的目标分群算法研究 |
| 3.1 引言 |
| 3.2 GGFCM目标分群算法 |
| 3.2.1 模糊C-均值算法 |
| 3.2.2 GGFCM目标分群算法 |
| 3.2.3 仿真结果与分析 |
| 3.3 MD-Chameleon目标分群算法 |
| 3.3.1 Chameleon聚类算法概述 |
| 3.3.2 MD-Chameleon算法 |
| 3.3.3 仿真结果与分析 |
| 3.4 本章小结 |
| 第四章 基于动态贝叶斯网络的态势评估方法 |
| 4.1 贝叶斯网络理论概述 |
| 4.1.1 贝叶斯公式 |
| 4.1.2 贝叶斯网络 |
| 4.1.3 动态贝叶斯网络 |
| 4.2 基于DBN的态势评估模型 |
| 4.2.1 场景描述 |
| 4.2.2 变量提取 |
| 4.2.3 态势评估模型 |
| 4.3 基于DBN的态势评估推理方法 |
| 4.3.1 DBN直接推理算法 |
| 4.3.2 DBN迭代推理算法 |
| 4.4 仿真结果与分析 |
| 4.4.1 网络条件概率矩阵 |
| 4.4.2 网络状态转移矩阵 |
| 4.4.3 实验数据模糊化 |
| 4.4.4 仿真结果与分析 |
| 4.5 本章小结 |
| 第五章 态势评估仿真平台设计与实现 |
| 5.1 设计目的与需求分析 |
| 5.2 仿真平台设计 |
| 5.2.1 数据库模块设计 |
| 5.2.2 目标分群模块设计 |
| 5.2.3 态势评估模块设计 |
| 5.3 仿真平台实现与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 硕士期间取得的研究成果 |
（5）信息融合中的态势评估技术研究（论文提纲范文）
| 作者简介 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 信息融合综述 |
| 1.1.1 信息融合 |
| 1.1.2 信息融合的模型 |
| 1.1.3 态势评估 |
| 1.1.4 信息融合及态势评估的国内外研究现状 |
| 1.2 粗糙集综述 |
| 1.2.1 研究背景 |
| 1.2.2 粗糙集国内外研究现状 |
| 1.3 本文的研究工作与组织结构 |
| 第二章 态势评估理论研究 |
| 2.1 态势评估功能与框架 |
| 2.1.1 态势评估功能模型 |
| 2.1.2 态势评估实现框架 |
| 2.2 态势知识获取方法 |
| 2.3 基于事件模板驱动的态势推理模型 |
| 2.3.1 态势要素组成 |
| 2.3.2 事件的定义与分类 |
| 2.3.3 态势知识的模板表示 |
| 2.3.4 基于事件模板驱动的态势推理 |
| 2.4 本章小结 |
| 第三章 基于粗糙集的态势知识约简研究 |
| 3.1 引言 |
| 3.2 粗糙集理论的基本概念 |
| 3.2.1 粗糙集理论中的知识表示 |
| 3.2.2 知识约简 |
| 3.2.3. 属性值约简 |
| 3.3 基于二值化的差别矩阵约简 |
| 3.3.1 差别矩阵 |
| 3.3.2 属性值区分函数 |
| 3.3.3 基于二值化差别矩阵的属性约简 |
| 3.4 基于属性值树的属性约简 |
| 3.4.1 属性值树 |
| 3.4.2 基于属性值树结构的求核 |
| 3.4.3 基于属性值树结构的属性约简 |
| 3.4.4 算法复杂度分析 |
| 3.5 基于属性值树的规则提取 |
| 3.5.1 属性值约简 |
| 3.5.2 改进的属性约简与属性值约简 |
| 3.5.3 算法复杂度分析 |
| 3.6 基于粗糙集的计划模板约简实例分析 |
| 3.7 本章小结 |
| 第四章 基于直觉模糊与贝叶斯网络的态势评估 |
| 4.1 引言 |
| 4.2 直觉模糊集 |
| 4.2.1 基本概念 |
| 4.2.2 运算法则 |
| 4.3 计划识别 |
| 4.3.1 计划识别 |
| 4.3.2 基于直觉模糊的计划识别方法 |
| 4.3.3 实例分析 |
| 4.4 贝叶斯网络 |
| 4.4.1 贝叶斯网络定义 |
| 4.4.2 贝叶斯网络学习的前提与分类 |
| 4.4.3 贝叶斯网络特点与研究现状 |
| 4.5 基于直觉模糊与贝叶斯网络的计划识别方法 |
| 4.6 实例分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究与展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
（6）基于概率图模型的态势估计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 态势估计的研究内容 |
| 1.3.1 多传感器数据融合概述 |
| 1.3.2 态势估计的定义 |
| 1.3.3 态势估计模型 |
| 1.4 态势估计目前存在的问题 |
| 1.5 论文研究内容和章节安排 |
| 第2章 态势估计的常用方法分析 |
| 2.1 引言 |
| 2.2 事件检测常用方法 |
| 2.2.1 事件的简介与类型 |
| 2.2.2 事件检测方法 |
| 2.3 目标编群常用方法 |
| 2.3.1 目标编群问题简介 |
| 2.3.2 目标编群常用方法描述 |
| 2.4 态势预测常用方法 |
| 2.4.1 专家系统 |
| 2.4.2 D-S 证据理论 |
| 2.4.3 计划识别 |
| 2.5 本章小结 |
| 第3章 目标编群问题描述及算法分析 |
| 3.1 引言 |
| 3.2 双曲线平滑聚类方法 |
| 3.3 基于双曲线平滑的目标编群算法 |
| 3.4 基于双曲线平滑的目标编群算法的实验结果分析 |
| 3.5 本章小结 |
| 第4章 基于概率图模型的态势估计 |
| 4.1 引言 |
| 4.2 概率图模型理论知识 |
| 4.3 基于团树传播方法的概率图模型推理 |
| 4.3.1 团树的构造 |
| 4.3.2 团树传播推理算法 |
| 4.4 态势估计中概率图模型结构的建立 |
| 4.5 态势推理中基于遗传算法的三角化 |
| 4.5.1 利用自适应遗传算法求解态势推理中的三角化问题 |
| 4.5.2 实验分析 |
| 4.6 实例分析 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（7）基于直觉模糊推理的网络舆情态势分析与威胁估计技术研究（论文提纲范文）
| 表目录 |
| 图目录 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 网络舆情相关概念与定义 |
| 1.2 选题背景与研究意义 |
| 1.3 网络舆情态势分析与威胁估计研究综述 |
| 1.3.1 网络舆情理论研究与应用 |
| 1.3.2 态势分析与威胁估计研究 |
| 1.4 论文的研究内容与结构安排 |
| 1.4.1 论文研究内容 |
| 1.4.2 论文结构组织 |
| 第二章 网络舆情态势分析与威胁估计功能模型 |
| 2.1 研究基础 |
| 2.2 网络舆情态势分析与威胁估计功能模型 |
| 2.2.1 网络舆情态势分析与威胁估计概念及要素 |
| 2.2.2 网络舆情态势分析与威胁估计功能模型 |
| 2.3 本章小结 |
| 第三章 网络舆情态势分析 |
| 3.1 网络舆情态势觉察 |
| 3.1.1 话题重要性 |
| 3.1.2 公众反应 |
| 3.1.3 话题与公众联系 |
| 3.2 基于直觉模糊评价的话题重要性分析 |
| 3.2.1 直觉模糊理论 |
| 3.2.2 基于直觉模糊评价的话题重要性分析算法 |
| 3.2.3 基于直觉模糊评价的话题重要性分析方法实验结果 |
| 3.3 基于直觉模糊综合评判的公众反应分析 |
| 3.3.1 直觉模糊综合评判 |
| 3.3.2 基于直觉模糊综合评判的公众反应分析方法 |
| 3.3.3 基于直觉模糊综合评判的公众反应分析方法实验结果 |
| 3.4 基于Choquet 模糊积分的话题与公众联系分析 |
| 3.4.1 Choquet 模糊积分 |
| 3.4.2 基于Choquet 模糊积分的话题与公众联系分析方法 |
| 3.4.3 基于Choquet 模糊积分话题与公众联系分析方法实验结果 |
| 3.5 本章小结 |
| 第四章 网络舆情威胁估计 |
| 4.1 直觉模糊推理 |
| 4.1.1 蕴含式直觉模糊推理 |
| 4.1.2 多维式直觉模糊推理 |
| 4.2 基于直觉模糊推理的网络舆情威胁等级判定 |
| 4.2.1 原理分析 |
| 4.2.2 基于直觉模糊推理的网络舆情威胁等级判定算法 |
| 4.3 基于直觉模糊推理的网络舆情威胁等级判定实验结果 |
| 4.4 本章小结 |
| 结束语 |
| 参考文献 |
| 作者简历 攻读硕士学位期间完成的主要工作 |
| 致谢 |
（8）态势估计中的关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 多传感器信息融合功能概述 |
| 1.2 态势估计技术 |
| 1.3 信息融合及态势估计技术的国内外研究现状 |
| 1.3.1 态势估计系统研究与应用 |
| 1.3.2 态势评估主要技术方法 |
| 1.4 本文主要工作和内容安排 |
| 1.4.1 主要研究工作 |
| 1.4.2 论文内容安排 |
| 第二章 态势觉察方法研究 |
| 2.1 态势觉察问题分析 |
| 2.1.1 态势觉察定义 |
| 2.1.2 态势觉察主要功能 |
| 2.2 事件提取 |
| 2.2.1 事件定义与分类 |
| 2.2.2 事件检测方法 |
| 2.3 态势知识表示方法 |
| 2.3.1 基于贝叶斯网络的态势知识表示模型 |
| 2.3.2 基于本体论的态势知识表示模型 |
| 2.3.3 基于模板的态势知识表示模型 |
| 2.4 本章小结 |
| 第三章 目标分群方法研究 |
| 3.1 目标分群问题描述 |
| 3.2 目标分群方法研究现状 |
| 3.3 基于模板匹配的分群方法 |
| 3.3.1 问题提出 |
| 3.3.2 基于模板匹配的目标分群 |
| 3.4 基于模糊推理的目标分群方法 |
| 3.4.1 问题描述 |
| 3.4.2 基于模糊推理的分群方法 |
| 3.5 本章小结 |
| 第四章 基于贝叶斯网络的计划识别方法 |
| 4.1 基本概念与理论 |
| 4.1.1 态势估计计划识别 |
| 4.1.2 计划识别方法概述 |
| 4.1.3 贝叶斯网络理论 |
| 4.2 分层贝叶斯网络模型 |
| 4.2.1 作战计划的分解 |
| 4.2.2 分层贝叶斯网络 |
| 4.3 分层贝叶斯网络推理方法 |
| 4.3.1 算法描述 |
| 4.3.2 推理过程分析 |
| 4.4 实例验证 |
| 4.4.1 设计框架 |
| 4.4.2 计划实例 |
| 4.5 本章小结 |
| 第五章 态势估计中的贝叶斯网络参数学习 |
| 5.1 贝叶斯网络学习的基本概念 |
| 5.1.1 贝叶斯网络结构学习 |
| 5.1.2 贝叶斯网络参数学习 |
| 5.2 态势估计中贝叶斯网络的学习问题 |
| 5.3 基于Noisy-or gate 模型的参数构造方法 |
| 5.3.1 Noisy-or gate 模型 |
| 5.3.2 Leaky Noisy-or gate 模型 |
| 5.3.3 Noisy-or gate 模型应用实例 |
| 5.4 Noisy-or gate 模型的扩展分析 |
| 5.4.1 模型的扩展 |
| 5.4.2 扩展模型间的关系分析 |
| 5.4.3 条件概率的计算 |
| 5.4.4 结果比较 |
| 5.5 贝叶斯网络应用实例 |
| 5.5.1 贝叶斯网络结构的建立 |
| 5.5.2 网络参数的确定 |
| 5.5.3 空袭计划识别过程 |
| 5.5.4 仿真实现 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 在读期间的研究成果 |
（9）态势估计技术研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 数据融合的定义与功能模型 |
| 1.2 数据融合中的态势估计技术 |
| 1.2.1 态势估计的定义 |
| 1.2.2 态势估计的内容和特点 |
| 1.2.3 态势估计的处理流程 |
| 1.3 数据融合及态势估计技术的国内外研究现状 |
| 1.4 本人的主要工作和内容安排 |
| 第二章 态势觉察技术研究 |
| 2.1 态势觉察问题描述 |
| 2.2 事件检测技术 |
| 2.2.1 基本事件检测技术 |
| 2.2.2 重要事件检测技术 |
| 2.3 海空目标编群 |
| 2.3.1 编群的定义 |
| 2.3.2 基于最近邻+编队模板的海空目标编群算法 |
| 2.3.3 基于最近邻+编队模板的海空目标编群实现 |
| 2.4 本章小结 |
| 第三章 陆地兵力编群与指挥所识别 |
| 3.1 陆地战场态势要素 |
| 3.2 旅指挥所模型及识别算法 |
| 3.2.1 旅指挥所模型 |
| 3.2.2 旅指挥所识别算法 |
| 3.3 营指挥所模型及识别算法 |
| 3.3.1 营指挥所模型 |
| 3.3.2 营指挥所识别算法 |
| 3.4 旅兵力部署模型及识别算法 |
| 3.4.1 旅兵力部署模型 |
| 3.4.2 旅兵力部署识别算法 |
| 3.4.3 旅兵力部署的实现步骤 |
| 3.5 实现中的几个相关技术 |
| 3.5.1 军标的表示与实现 |
| 3.5.2 行动方向的表示与实现 |
| 3.5.3 图形刷新处理 |
| 3.5.4 陆地兵力编群模块设计 |
| 3.6 本章小结 |
| 第四章 态势理解及计划识别技术研究 |
| 4.1 态势理解问题描述 |
| 4.2 计划识别基本概念 |
| 4.3 基于模板匹配的军事计划表示和推理算法 |
| 4.3.1 基于模板的军事计划表示 |
| 4.3.2 基于模板匹配的知识推理算法 |
| 4.4 CLIPS简介 |
| 4.4.1 CLIPS的知识表示 |
| 4.4.2 CLIPS的推理机制 |
| 4.4.3 CLIPS嵌入VC++中的方法 |
| 4.4.4 CLIPS外部函数的声明与定义 |
| 4.4.5 在VC项目中产生自定义模板事实 |
| 4.5 基于CLIPS的态势估计实现技术 |
| 4.5.1 态势估计与CLIPS的基本框架与交互流程 |
| 4.5.2 复合事件定义与表示 |
| 4.5.3 复合事件及计划模板规则的具体设计 |
| 4.6 本章小结 |
| 第五章 态势估计仿真和结果分析 |
| 5.1 测试环境 |
| 5.2 抗登陆作战测试用例 |
| 5.2.1 场景描述 |
| 5.2.2 参数设置 |
| 5.2.3 测试结果 |
| 5.3 陆地测试用例 |
| 5.3.1 场景描述 |
| 5.3.2 测试结果 |
| 5.4 本章小结 |
| 结束语 |
| 致谢 |
| 参考文献 |
| 在读期间研究成果 |
| 附录A 机动事件检测流程图 |
（10）陆战场装甲目标聚合算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 信息融合及态势估计技术的国内外研究现状 |
| 1.2.1 信息融合技术的国内外研究现状 |
| 1.2.2 态势估计技术的国内外研究现状 |
| 1.3 本文的主要工作和内容安排 |
| 2 信息融合及态势估计理论概述 |
| 2.1 多传感器信息融合理论 |
| 2.1.1 信息融合的定义 |
| 2.1.2 信息融合处理的功能通用模型 |
| 2.1.3 信息融合的技术和方法 |
| 2.2 态势估计问题分析 |
| 2.2.1 态势估计的定义 |
| 2.2.2 态势估计的功能通用模型 |
| 2.2.3 态势觉察的目标聚类分析 |
| 2.3 本章小结 |
| 3 聚类分析算法及应用 |
| 3.1 聚类分析的基本概念 |
| 3.1.1 聚类的定义 |
| 3.1.2 聚类算法性能的衡量指标 |
| 3.2 聚类分析在态势估计中的应用 |
| 3.3 常用算法描述 |
| 3.3.1 K-均值(K-means)算法 |
| 3.3.2 ISODATA算法 |
| 3.3.3 FCM算法 |
| 3.3.4 最近邻(Nearest Neighbor)算法 |
| 3.4 本章小结 |
| 4 目标分群算法描述与仿真 |
| 4.1 联合战场问题描述 |
| 4.1.1 高技术条件下的联合战场特点 |
| 4.1.2 装甲目标的基本编队条例 |
| 4.2 目标分群技术分析 |
| 4.2.1 目标分群的数学模型 |
| 4.2.2 目标分群的基本思想 |
| 4.2.3 目标分群的仿真模型 |
| 4.3 常用聚类算法分析与比较 |
| 4.3.1 K-均值算法 |
| 4.3.2 ISODATA算法 |
| 4.3.3 FCM算法 |
| 4.3.4 最近邻算法 |
| 4.4 算法改进 |
| 4.4.1 自适应分群 |
| 4.4.2 最近邻改进算法 |
| 4.5 本章小结 |
| 5 分层聚合技术 |
| 5.1 目标群的分层与聚合规则 |
| 5.1.1 空间群 |
| 5.1.2 功能群 |
| 5.1.3 相互作用群 |
| 5.1.4 敌/我/中立方群 |
| 5.2 分层聚合的算法框架 |
| 5.2.1 分层聚合的基本算法 |
| 5.2.2 群结构的状态信息集合 |
| 5.3 算法仿真与分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
四、数据融合中的态势觉察技术（论文参考文献）
- [1]考虑时空特性的网络安全态势感知应用研究[D]. 黄沛烁. 华北电力大学, 2019(01)
- [2]基于聚类分群与模板匹配的态势估计方法研究[D]. 吉祥. 国防科学技术大学, 2016(01)
- [3]信息融合系统中态势估计技术研究及系统实现[D]. 陈铁军. 湖南大学, 2013(07)
- [4]机载多传感器数据融合态势评估关键技术研究[D]. 陈华. 电子科技大学, 2012(01)
- [5]信息融合中的态势评估技术研究[D]. 王晓帆. 西安电子科技大学, 2012(03)
- [6]基于概率图模型的态势估计[D]. 王忆南. 北京理工大学, 2011(07)
- [7]基于直觉模糊推理的网络舆情态势分析与威胁估计技术研究[D]. 王瑾. 解放军信息工程大学, 2011(07)
- [8]态势估计中的关键技术研究[D]. 柴慧敏. 西安电子科技大学, 2009(03)
- [9]态势估计技术研究与实现[D]. 孙润. 西安电子科技大学, 2009(05)
- [10]陆战场装甲目标聚合算法研究[D]. 王晓璇. 南京理工大学, 2007(01)