一、基于模糊综合函数的目标识别融合算法研究（论文文献综述）
盖晴晴[1]（2019）在《极化雷达目标识别与多分类器融合研究》文中提出基于高分辨一维距离像（High Range Resolution Profile,HRRP）的雷达目标识别技术以其高实时性,易获取而且包含有雷达目标重要特征结构等优势,受到了国内外学者和科技人员的高度重视和青睐。本论文围绕极化雷达高分辨一维距离像目标识别和多分类器融合展开研究,主要研究内容与创新点如下:1.针对宽带多极化雷达,将高分辨一维距离像与极化信息相结合,获得目标在四种极化组态下的一维距离像并将其组成极化距离矩阵。该算法对目标进行全方位的特征抽取与建模以适应不同的姿态,有效降低了HRRP方位敏感特性带来的影响。同时,提出了采用直接基于极化距离矩阵、Pauli分解和Freeman分解三种特征提取方式对极化距离矩阵进行目标特征的提取,为后续的研究作铺垫。2.提出利用深度卷积神经网络对极化雷达目标高分辨一维距离像数据进行挖掘与识别。利用直接基于极化距离矩阵、Pauli分解和Freeman分解对极化距离矩阵进行目标特征提取,将获得的目标特征向量结合起来送入搭建的深度卷积神经网络进行训练学习。该方法不仅结合了不同的特征提取方式对极化距离矩阵进行特征提取,而且深度卷积神经网络的运用又对目标特征向量进行了更深层次的组合和学习。仿真结果验证了该方法的有效性。3.研究基于改进上积分的多分类器雷达目标识别融合算法,该方法可以有效地表达单个基分类器和其组合分类器的重要性,同时,也能够表征各个分类器之间的协同作用。在理论上,此方法可以保证多分类器融合系统的分类识别率不低于任一个基分类器的识别率。实验证明该方法可以有效地提高雷达目标识别率。
黄璇[2]（2016）在《多源引导信息融合及其关键技术研究》文中进行了进一步梳理随着微电子技术、计算机技术、传感器技术的发展,多源信息融合技术已逐步发展为一个新的研究方向,并得到了广泛应用。本文针对多源引导信息融合的特点,在其模型框架中分析了多源引导信息融合的几个关键技术,重点研究了其中的目标识别和威胁估计两个方面,提出相应的方法,应用于某光电引导跟踪系统中。本文的主要工作和贡献如下:1.介绍了光电引导跟踪系统多源引导信息融合的基本理论和模型框架,对其中目标识别和威胁估计技术的研究情况进行了归纳总结;介绍了现有目标识别和威胁估计的相关算法,分析了各自的优缺点,并确定了本文所采用的主要技术手段。2.针对区间直觉模糊集和灰关联分析的特点,提出了一种基于区间直觉模糊灰关联分析的目标识别算法,应用于光电引导跟踪系统的目标识别过程中。该方法根据多源引导信息来获取目标特征参数,采用区间直觉模糊数来表征特征参数对目标类别的隶属度和非隶属度,形成目标识别矩阵。从中提取出正、负理想识别策略,采用灰色关联理论对识别矩阵进行分析,从而建立各目标类别的灰关联序。实验结果表明,基于区间直觉模糊灰关联的目标识别算法的识别误差小于采用单一方法的识别误差,并且能够避免组合爆炸问题。3.针对传统方法在比较直觉模糊值和区间直觉模糊值时的不足,提出了综合函数法,应用于对目标识别矩阵的分析过程中。该方法对得分函数和精确函数进行加权融合,并利用决策结果对加权因子进行自适应调节。综合函数法可以有效改善传统方法中由于净利润最大化而带来的缺陷,并对两模糊值之间的差值提供一个估计。4.针对粒子群优化算法（PSO）和BP神经网络的特点,对PSO算法进行了改进,提出了基于改进PSO算法优化BP神经网络（MPSO-BP）的目标威胁估计算法,应用于光电引导跟踪系统的目标威胁估计过程中。该方法采用PSO算法优化BP神经网络的初始权值和阈值,在PSO优化过程中引入变异过程,并对加速因子进行自适应处理,以避免粒子种群的快速趋同效应,使优化后的BP神经网络能够更好地预测输出。实验结果表明,MPSO-BP网络的预测误差小于BP网络和PSO-BP网络,并且能够较好地解决对于小样本训练问题,避免神经网络陷入局部极值。5.针对萤火虫优化算法（GSO）、磷虾群算法（KH）和支持向量机（SVM）的特点,建立了基于GSO算法优化SVM（MGSO-SVM）、以及KH算法优化SVM（KH-SVM）的目标威胁估计模型,并提出了基于各自模型的算法,应用于光电引导跟踪系统的目标威胁估计过程中,使优化后的SVM网络能够更好地完成目标威胁估计。实验结果表明,GSO-SVM和KH-SVM的预测误差明显小于SVM。
刘义海[3]（2015）在《基于信息融合的水中目标属性识别关键技术研究》文中认为复杂情形下入侵目标的属性识别是水下无人探测系统研究中的一项前端核心技术,对后续的战场态势评估、威胁估计和攻击策略制定等具有重要意义。基于信息融合的目标属性识别可以充分利用与系统识别功能相关联的多源信息,并对其进行组合推理、取长补短,使系统获得对目标特性更全面、准确的观测,显着提高系统的识别率、鲁棒性、普适性和抗假目标干扰性等性能,近年来得到国内外学者的广泛研究和重视。本文围绕基于信息融合的水下探测设备单体和网络的目标属性识别关键技术展开研究,重点关注了：基于自适应时频分析的目标声、磁场非平稳、非线性和非高斯信号特征提取技术,基于多源（同源、异源）物理场多特征子集特征级融合的单体目标识别技术,和基于网络决策级融合的入侵目标融合探测和识别技术。论文利用海试试验的样本采录数据对本文的主要方法进行了实验验证,结果证实了相关算法的应用有效性。本文取得的创新性成果如下：1.提出了一种基于自适应最优抛物线核函数的Wigner-2.5维时频谱分析算法—Wigner-2.5 AOPK TFR算法以信号的广义Wigner-2.5维时频谱分析为基础,通过在其模糊平面内利用自适应核优化技术,获取了抑制任意信号任意形式交叉项的最优抛物线核函数,解决了传统二阶时频谱图特征分析方法普遍存在的抗高斯噪声能力较弱和对交叉项抑制不彻底的问题。将所提算法用于水中目标声、磁物理场信号的高阶时频矩阵和时频谱图获取,并研究构建了目标声、磁场信号的时频谱图宏观描述特征子集库,包含：目标声、磁场时频分量的宏观时变、频变分布差异性特征和目标声、磁场时频谱图的图像形状特征。2.提出了一种基于熵辅助的快速完备集成经验模态分解算法-FEACEEMD。算法从分析现有自适应信号模态分离算法优缺点入手,以模态分量的间歇／随机性评价为基础,通过串行融合Improved CEEMDAN和EMD算法的方式给出了FEACEEMD的算法过程,达到既能克服传统模态分解存在的“模态混叠”问题,又能保证算法计算实时性的目的。另外,研究了基于模态“互相关系数”和“方差贡献率”的有效模态序贯选取准则,提高了模态分离后对信号有用模态的选取速度。将所提FEACEEMD算法和有效模态序贯选取准则用于水中目标声、磁物理场信号的有用模态分离和选择,并研究构造了目标声、磁场信号有用模态的细节统计特征子集库,包含：各有效IMF的线性预测系数特征和各有效IMF的异变度、能量分配比和瞬时谱形重心等离散分布参数特征。3.针对目标物理场各原始特征集存在的干扰“不可融”问题,改进了现有基于鱼群优化的模糊粗糙特征选择算法。算法以优选高维特征集内含的具有识别鲁棒性的本征特征子集为目的,重新定义和优化了鱼群寻优策略的行为描述,并结合模糊粗糙理论实现对已选择子集的鲁棒性能评价,达到对包含模糊、冗余、无用和干扰元素的高维原始特征集的快速、全局、鲁棒寻优。对原始物理场特征集进行的特征选择约简实验验证了方法的有效性。4.针对基于特征级融合的单体目标识别技术,提出了一种基于广义鉴别型多集典型相关分析的多特征子集特征级融合算子-GDMCCA,并基于核函数优化措施给出了GDMCCA用于融合多异源场、非线性特征子集的核优化算子-KGDMCCA. GDMCCA/KGDMCCA是在传统多变量集的统计相关分析MCCA上添加更详尽的样本类别有监督约束形成的,论文从数学角度推到了两算法的求解过程,并给出了基于两算法的多特征子集特征级融合步骤。基于GDMCCA和KGDMCCA特征融合算法,分声场同源场、磁场同源场和声-磁异源场三种情形,对各情形下的目标多特征子集进行基于特征级融合的目标识别实验,实验结果证明了融合算法对提高探测设备单体目标识别性能的有效性。5.针对设定情形下网络对水中入侵目标探测时面临的特殊约束,提出了基于最优窗口统计量的水中入侵目标融合探测算法。算法通过将传统分布式融合检测中对“点”目标的假设检验推广到对水中目标出现时最优物理场照射窗口的假设检验,给出了最优窗口统计量及基于该统计量的融合检测规则。论文从数学角度推导出了算法的系统级虚警概率,保证了算法在N-P准则下的工程可实现性,并利用基于计算机Monte Carlo的统计实验对算法系统级的融合检测概率进行了估计。实验结果表明：在设定场景下,与现有融合检测算法相比,本文算法对水中入侵目标的融合探测性能更好。其次,基于目标最优物理场照射窗口内的各水雷节点,论文研究了基于PCR6群冲突证据融合的网络级入侵目标类别判定模型。对模型中PCR6融合规则进行了基于群证据预处理的工程应用改进。仿真实验证实了所提网络级融合分类模型的有效性。本文对基于信息融合的水下无人探测系统的目标属性识别的几个关键技术进行了深入研究和探讨,并采用基于海试的实测样本数据验证了相关工作的有效性与可行性,为今后目标识别系统的研制奠定了理论基础。
姬志飞[4]（2011）在《基于信息融合的机器人目标探测与识别研究》文中指出随着计算机技术的迅速发展和普及,机器人技术已成为一门跨学科的综合信息处理技术,目前,移动机器人的不确定性分析能力已成为衡量机器人智能的一个重要因素。本文来源于国家863计划“服务机器人”重点项目“智能敏捷家庭助理机器人综合平台”,以及国家“863”计划专题课题“面向住院病人巡护的智能空间技术及机器人巡视系统”,针对移动机器人的信息融合技术展开了研究。本文从不确定性信息分析方法入手,以信息融合为中心,对移动机器人的目标探测和目标识别信息融合等方面进行研究论文的研究工作有以下几个方面：首先本文介绍了课题的研究背景和移动机器人国内外信息融合以及目标识别的研究发展状况,同时对信息融合的不同定义方法进行了介绍。其次本文对不确定性信息分析方法进行了概述,分析了移动机器人工作中存在的不确定性信息的原因,同时对本文的主要的研究内容进行了介绍。第三,针对移动机器人工作中存在的不确定性信息,在移动机器人目标探测中,对超声波测距传感器进行了电路设计,同时对超声波测距数据的结果进行了标定,通过数学推导,给出了超声波传感器测距的线性回归模型,同时给出了模型的显着性检验；由于单独采用超声传感器不能满足机器人对障碍物的精确识别,有必要结合其他传感器提高障碍物的测量精度,文中又对红外接近传感器的测距进行了硬件和软件的设计,给出了红外传感器的上位机通讯程序设计。同时,本文进行了超声波与红外传感器数据融合的实验,结果表明两种传感器具有互补性。第四,在探测到目标后,本文对多传感器的目标识别信息融合概况进行了综述,分析了移动机器人目标识别中存在的困难。本文将相关系数的概念扩充到机器人目标识别中,建立了机器人目标识别的相似性系数数学模型。同时提出了基于最大后验概率的目标识别融合算法,并且对算法进行了实验验证,表明该算法可以提高系统的识别率和可靠性。第五,针对机器人的目标识别,本文在利用D-S证据理论进行目标识别融合时,基于大量的实验研究,提出了D-S证据理论中基本概率函数的一种构造方法,该方法对决策的结果起着至关重要的作用。第六,本文改进了D-S理论在目标识别融合中的应用,提出了采用时空数据两级融合的思想,再与D-S证据理论相结合,得到时域、空域以及时空的数据的融合算法,这将在移动机器人中的目标识别中大大提高识别的效果,使我们的移动机器人系统具有很好的容错的能力。同时本文还提出了基于模糊综合的目标识别融合算法,对目标识别融合具有较好的效果。最后,本文对研究成果进行了总结,提出了论文研究中存在的问题,同时阐述了下一步将要研究的工作。
徐小琴[5]（2006）在《多传感器数据融合目标识别算法综述》文中研究表明多传感器数据融合作为一种特殊的数据处理手段在目标识别领域得到了较大的重视和发展。在介绍多传感器数据融合目标识别基本原理及其算法理论依据基础上,从概念分类方面,对目前多传感器数据融合目标识别算法进行了全面综述,包括参数分类算法、基于认识模型的算法、物理模型算法及多类算法综合识别法等,说明了各算法特点及对其的进一步改进,列举了目前国内外一些已经发表的重要算法,为下一步多传感器融合目标识别研究提供了一定的理论依据。
徐小琴[6]（2006）在《多传感器数据融合目标识别算法综述》文中研究说明多传感器数据融合作为一种特殊的数据处理手段在目标识别领域得到了较大的重视和发展.在介绍多传感器数据融合目标识别基本原理及其算法理论依据基础上,从概念分类方面,对目前多传感器数据融合目标识别算法进行了全面综述,包括参数分类算法、基于认识模型的算法、物理模型算法及多类算法综合识别法等,说明了各算法特点及对其的进一步改进,列举了目前国内外一些已经发表的重要算法,为下一步多传感器融合目标识别研究提供了一定的理论依据.
张池平[7]（2006）在《多传感器信息融合方法及其在空间目标识别中的应用》文中提出近年来多传感器信息融合理论及其应用技术研究得到了快速的发展,已经成为一个重要的研究领域,基于信息融合的目标识别技术成为国内外研究的热点。由于空间目标识别是空间监视中的一项关键技术,因而成为目标识别的一个重要研究方向。针对空间目标识别问题的特点,多传感器信息融合可望突破传统识别方法的瓶颈,本文即以此为出发点,研究了多传感器信息融合方法及其在空间目标识别中的应用。基于多传感器进行空间目标识别,首要任务就是判断来自不同传感器的信息是否针对同一目标,这就是航迹关联问题。目前的航迹关联方法在密集目标环境下,航迹错关联概率和漏关联概率较大,针对这一问题,本文利用D-S证据理论,提出了基于模糊综合决策的D-S航迹关联方法和基于K近领域的D-S航迹关联方法,两种方法成功地将模糊决策的逻辑性和统计模式分类的严密性与证据理论的智能特性相结合,仿真结果说明了两种方法的有效性和实用性。假设传感器得到的目标信息是关联的情况下,下一步的工作就是如何利用传感器信息获得目标的有效识别。神经网络方法在这方面应用较为广泛,但是对复杂的传感器系统,单一神经网络会出现稳定性差、收敛性差、网络训练时间长等问题。就此本文提出了基于模糊决策的神经网络和带有加权融合的神经网络组两种目标识别方法,与传统的神经网络相比,基于模糊决策的神经网络结构简单,逻辑层次分明,学习训练算法简洁,而神经网络组在不增加训练时间的基础上,提高了网络的智能特性,能够更加合理地对不确定性信息进行融合。经仿真验证,基于模糊决策的神经网络能够提高噪声较大情况下的识别率,而利用神经网络组不但减少了训练时间,而且提高了目标识别的精度。在目标识别过程中,如果能够得到关于目标属于不同类别的基本概率分配的话,则证据理论显示了信息融合的优越性。本文引入了基于证据决策的目标识别方法,经仿真验证,证据理论对于不确定信息能够很好地进行处理和融合。但是D-S证据理论不能处理矛盾证据,限制了其应用的范围,本文在分析这一问题来源的基础上,提出了改进的D-S证据融合规则,经实例验证,改进的方法能够有效地解决这一问题,并达到了理想的识别效果。最后针对飞机目标的识别问题,利用神经网络组和D-S证据理论建立
冯德军[8]（2006）在《弹道中段目标雷达识别与评估研究》文中进行了进一步梳理弹道中段是导弹防御（MD）系统目标识别最具挑战性的阶段,雷达是中段最主要的传感器,其目标识别能力在很大程度上反映了MD系统中段目标识别的总体水平。深入开展弹道中段目标雷达识别与评估研究,对于发展我国新体制雷达探测技术及增强我国弹道导弹生存和突防能力具有十分重大的军事意义和理论价值。本文源于国家安全重大基础研究973项目、全国百优博士论文专项资金资助项目、总装国防预研项目等多项项目。论文以弹道导弹突防为研究背景,以中段目标群为研究对象,深入系统地研究了弹道中段目标的雷达特性、弹道中段目标的特征提取方法、弹道中段目标雷达识别方法和评估方法等多项关键技术。论文充分利用了微波暗室测量数据并通过逼真的战情仿真,构造了弹道目标识别的动态仿真平台,在若干典型战情下进行了目标特性、特征提取、目标识别和评估研究。在研究中注重所提取特征的物理意义及所提出识别和评估方法的工程可实现性,得到了一系列有价值的结果。雷达目标特性研究是雷达特征提取的基石。为此,论文首先研究了中段目标的雷达特性。在理论上详细分析了弹道中段目标的运动特性,建立了相应的运动学模型。然后,结合已有的测量数据,对中段目标的静态散射特性进行了分析。在此基础上,提出了一种中段目标动态散射特性的仿真方法,该方法能逼真反映中段目标的雷达散射特性。最后,通过所提出的方法分析了弹头和诱饵的窄带和宽带特性。特征提取是雷达目标识别的关键环节,能否提取出物理意义清晰、可分性强的特征在一定程度上决定了识别的成功与否。论文根据中段目标群的运动特性和结构特性,提出了一系列的特征提取方法,其中包括基于窄带序列的RCS周期特征估计方法、基于单个回波和回波序列的运动特征提取方法、基于单个宽带回波的结构特征提取方法及基于非高斯模型的结构特征提取方法。通过这些方法,可以获得目标的章动（或翻滚）周期、速度、径向距离、长度等物理意义清晰的特征,为后续的识别奠定了良好的基础。对弹道目标进行ISAR成像是当前弹道目标特征提取的一个重要方向。论文根据中段目标高速飞行的特点及宽带回波全去斜处理的工作方式,详细论述了对高速目标距离像的展宽补偿方法和残余相位补偿方法,提出了对弹道目标进行ISAR超分辨成像的酉ESPRIT方法,该方法能明显改善成像质量、提高成像效率。接着,论文分析了中段目标的ISAR成像距离及成像积累时间。最后,通过对实测弹头和缩比模型的成像,分析了弹头类目标的ISAR图像特点,在此基础上提出了弹头类目标的ISAR图像特征提取方法。识别器设计与评估是目标识别的中心环节。论文根据弹道目标识别特点,设计了两种识别器:基于多特征综合的模糊识别器和基于分类树的识别器。在特征评估方面,提出了基于可分测度的评估方法和基于模糊理论的评估方法;在识别评估方面,提出了基于置信度的可靠性评估方法和基于ROC曲线的评估方法。论文紧紧围绕弹道中段目标雷达识别与评估这一主题,进行了深入、系统的理论分析,开展了一系列的理论创新和方法创新,创新点主要体现在:1.在理论上深入分析了弹道中段目标的运动特点,通过结合微波暗室测量数据,提出了一种弹道目标动态散射特性的仿真方法,该方法可构造逼真的空间目标识别电磁环境,有效解决弹道目标识别研究中的数据缺乏问题;2.多层次、多角度地研究了弹道中段目标的特征提取问题,提出了获取目标运动特性、结构特征的多种新方法,这些物理意义清晰的特征获取为后续的目标识别奠定了良好基础;3.深入、系统地研究了弹道中段目标的ISAR成像及特征提取问题,提出了酉ESPRIT超分辨成像算法,估算了成像距离和成像积累时间,通过对大量实测数据成像分析了弹头类目标的ISAR图像特点并在此基础上提出了相应的特征提取方法;4.针对弹道目标识别先验信息相对缺乏的特点,设计了两种分类器:基于多特征综合的模糊分类器和基于分类树的分类器,这两种方法均只需要相对简单的先验信息,适用于弹道真假目标识别场景;5.开展了弹道目标特征及识别方法评估研究,提出了基于可分性测度的特征评估、基于置信度的识别可靠性评估等多种方法,为分类器的设计、组合和优化提供了理论支撑和可行手段。在注重理论研究的同时,论文通过仿真手段并充分利用已有测量数据,进行了大量仿真试验,着力使所提出的方法得到验证。最后还要指出的是,本论文研究内容来源于实际项目需求,而大多数研究成果也已成功应用于工程项目中,并取得了良好效果。
王国宏,何友[9]（1997）在《基于模糊综合的目标识别时空数据融合算法》文中认为目标识别数据融合问题是现代C3I系统和现代综合电子战中的主要课题之一.本文讨论了决策层的目标识别数据融合问题,基于可能性理论和模糊综合函数的理论,提出了传感器目标识别的决策模型和用于电子战目标识别的空间和时间数据融合算法.
岳景杭[10]（2021）在《基于深度学习的隧道不良地质超前探测目标区识别与解释方法》文中提出隧道工程作为我国重要的基础设施建设内容,其蓬勃发展的同时也给施工过程带来了更多的困难与挑战。隧道施工中经常会遇到断层、溶洞、破碎带等多种不良地质情况,容易引发突水突泥、塌方、卡机等工程事故。因此,采用隧道超前预报方法提前探明掌子面前方的不良地质情况,从而制定合理的处置措施与工程预案,对于隧道安全建设具有重要意义。隧道超前预报方法是对探测数据进行成像分析,由经验丰富的工程师根据成像结果确定探测目标区情况,即不良地质所在区域的位置、范围和类型信息。然而在实际应用中,由于现场环境复杂,成像结果中往往包含了多种干扰信息。如地震波法探测中,各种噪声干扰反映在成像结果中使得真实地层的反射界面难以识别;电阻率法探测中,成像结果呈现扩散分布,难以划定含水区域的准确范围。传统的解决方法主要依靠人工经验,受到主观因素的影响较为严重,使得识别目标区域困难,容易造成对灾害源误判漏判的情况。同时,人工处理效率也较低,尤其在TBM等施工隧道中难以满足现场对及时预报、高效掘进的要求。因此,开展隧道不良地质超前探测目标区识别与解释方法研究,对于提高不良地质识别与解释效率、降低漏判误判风险具有重要意义。针对上述问题,本文借鉴深度学习自动挖掘样本特征的理论优势,提出了适用于隧道超前探测目标区识别任务的深度神经网络算法。通过构建成像特征与识别结果的非线性隐式映射关系,可以快速高效的获得不良地质位置与范围信息,为现场施工提供参考依据。在此基础上,为了实现对掌子面前方地质情况的自动化解释,本文结合超前探测成像结果和地质信息,提出了联合解释算法,实现了不良地质类型的综合判断,为隧道超前预报的快速解释提供了可能。本文的主要研究工作及成果如下:（1）针对隧道探测目标区识别问题,本文通过优化特征提取方式,提出了适用于地球物理数据的深度神经网络识别算法。对于地震波法成像结果,提出了交叉组合卷积形式,可以捕捉反射界面信息;对于电阻率法成像结果,提出了中心扩散型空洞卷积形式,可以有效获取电场分布信息。通过将两种卷积形式加载到卷积深度神经网络中,提升了深度学习算法对于隧道超前预报识别任务的适用性。（2）针对隧道不良地质解释问题,本文通过综合成像特征和地质信息,提出了隧道不良地质解释算法。基于模糊层次分析理论,构建了包含专家知识的地质元素数据集,为地质元素定量化评价提供了可能。利用卷积和全链接算法对不同类型数据重构,将（1）中识别的成像特征与地质因素相结合,实现了不良地质类型的综合解释。（3）针对处理效率问题,本文在上述研究工作的基础上开发了一套智能识别与解释系统。通过构建数据处理平台,实现了不同人员远程协同工作;通过封装算法,简化数据处理流程,提高了数据处理效率;保存原始数据和中间处理过程,为今后的数据二次利用提供了可能。同时进行现场实验,验证了本文所提方法的适用性与有效性。
二、基于模糊综合函数的目标识别融合算法研究（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、基于模糊综合函数的目标识别融合算法研究（论文提纲范文）
（1）极化雷达目标识别与多分类器融合研究（论文提纲范文）
| 摘要 |
| Abstract |
| 注释表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 雷达自动目标识别技术概述 |
| 1.2.1 国内外研究现状 |
| 1.2.2 雷达目标识别技术流程 |
| 1.3 论文主要内容及章节安排 |
| 2 基础理论 |
| 2.1 神经网络 |
| 2.1.1 人工神经网络 |
| 2.1.2 反向传播算法 |
| 2.1.3 激活函数 |
| 2.1.4 规则化 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络简介 |
| 2.2.2 卷积层 |
| 2.2.3 池化层 |
| 2.3 常用分类器 |
| 2.3.1 K近邻分类器 |
| 2.3.2 支持向量机 |
| 2.4 本章小结 |
| 3 基于深度学习的极化雷达目标识别算法研究 |
| 3.1 极化高分辨一维距离像数据提取方法 |
| 3.1.1 直接基于极化距离矩阵的特征提取 |
| 3.1.2 基于Pauli分解理论的特征提取 |
| 3.1.3 基于Freeman分解理论的特征提取 |
| 3.2 基于极化雷达目标识别的卷积神经网络搭建 |
| 3.2.1 雷达深度卷积神经网络目标数据获取 |
| 3.2.2 深度卷积网络结构 |
| 3.2.3 网络训练参数设置 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 4 基于上积分的多分类器融合雷达目标识别算法研究 |
| 4.1 模糊测度与模糊积分 |
| 4.1.1 模糊测度 |
| 4.1.2 模糊积分 |
| 4.1.3 基于模糊积分的典型多分类器融合系统 |
| 4.2 基于改进上积分的多分类器雷达目标识别算法 |
| 4.2.1 基于雷达目标识别系统的模糊测度 |
| 4.2.2 基于雷达目标识别系统的被积函数 |
| 4.2.3 Oracle准则 |
| 4.3 基于上积分的多分类器雷达目标识别系统步骤与特点 |
| 4.4 仿真实验 |
| 4.4.1 高分辨一维距离像的数据获取与仿真平台 |
| 4.4.2 实验与结果分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（2）多源引导信息融合及其关键技术研究（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 多源引导信息 |
| 1.3 信息融合模型及关键技术 |
| 1.4 国内外研究现状 |
| 1.5 论文的主要内容和结构安排 |
| 第2章 信息融合的主要技术 |
| 2.1 引言 |
| 2.2 目标识别融合技术 |
| 2.3 目标威胁估计技术 |
| 2.4 本章小结 |
| 第3章 基于区间直觉模糊灰关联的目标识别融合 |
| 3.1 引言 |
| 3.2 光电引导跟踪系统的目标识别问题 |
| 3.3 区间直觉模糊识别矩阵的建立 |
| 3.4 IFV的比较 |
| 3.5 灰色关联分析 |
| 3.6 算法实现 |
| 3.7 本章小结 |
| 第4章 改进粒子群优化BP神经网络的目标威胁估计 |
| 4.1 引言 |
| 4.2 粒子群优化算法及改进 |
| 4.3 基于MPSO-BP的目标威胁估计 |
| 4.4 仿真实验及分析 |
| 4.5 本章小结 |
| 第5章 基于优化SVM的目标威胁估计 |
| 5.1 引言 |
| 5.2 萤火虫算法与磷虾群算法 |
| 5.3 基于优化SVM的目标威胁估计 |
| 5.4 仿真实验及分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 创新性工作 |
| 6.3 展望 |
| 参考文献 |
| 在学期间学术成果情况 |
| 指导教师及作者简介 |
| 致谢 |
（3）基于信息融合的水中目标属性识别关键技术研究（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 目标多源物理场及其识别特征提取技术研究现状 |
| 1.2.1 目标声场及基于声场特征提取的目标识别研究现状 |
| 1.2.2 目标磁场及基于电磁特征提取的目标识别研究现状 |
| 1.3 模式识别中的信息融合技术及其研究现状 |
| 1.3.1 信息融合研究进展及基本概念 |
| 1.3.2 信息融合的功能模型—属性识别对应的信息融合处理层级 |
| 1.3.3 目标属性的融合识别技术研究现状 |
| 1.4 基于信息融合的水中目标属性识别及研究现状 |
| 1.5 研究问题提出及本文工作安排 |
| 1.5.1 研究问题提出及分析 |
| 1.5.2 本文各章节内容安排 |
| 第二章 目标声、磁场高阶时频谱分析及宏观统计特征提取研究 |
| 2.1 基于自适应最优抛物线核函数的Wigner-2.5维时频谱分析算法 |
| 2.1.1 Wigner高阶时频谱及其应用缺陷分析 |
| 2.1.2 Wigner高阶时频切片谱 |
| 2.1.3 Wigner高阶时频切片谱的模糊函数及其广义形式 |
| 2.1.4 基于自适应最优抛物线核函数的Wigner-2.5维时频谱分析算法 |
| 2.1.5 Wigner-2.5 AOPK TFR算法的仿真分析 |
| 2.2 目标声场信号的高阶时频谱分析及时频统计特征提取研究 |
| 2.2.1 目标声场信号的时频谱图分析 |
| 2.2.2 声场时频分量在时频谱图上的宏观分布差异性特征提取研究 |
| 2.2.3 声场信号时频谱图图像的形状特征提取研究 |
| 2.3 目标磁场信号的高阶时频谱分析及时频统计特征提取研究 |
| 2.3.1 目标三轴交变磁分量的高阶时频谱分析 |
| 2.3.2 目标Z轴交变磁分量的时频谱图宏观描述特征提取 |
| 2.4 目标声、磁场信号时频谱图的宏观描述特征子集库构建 |
| 2.5 本章小结 |
| 第三章 目标声、磁场自适应模态分离及模态细节特征提取研究 |
| 3.1 自适应模态分离及一种新的工程应用改进算法 |
| 3.1.1 自适应经验模态分解算法及其优缺点分析 |
| 3.1.2 一种基于熵辅助的快速完备集成经验模态分解算法 |
| 3.1.3 FEACEEMD的模态分离性能仿真分析 |
| 3.1.4 工程信号的有效模态序贯选取 |
| 3.2 目标声场信号的自适应模态分离及模态细节特征提取研究 |
| 3.2.1 声场信号的有效模态获取 |
| 3.2.2 声场有效模态的AR建模及预测系数特征提取 |
| 3.2.3 声场有效模态的时域、频域离散分布参数特征提取 |
| 3.3 目标磁场信号的模态分离及模态细节特征提取研究 |
| 3.3.1 磁场信号的有效模态获取 |
| 3.3.2 估计静磁模态的波形结构特征提取研究 |
| 3.3.3 交变磁有效模态的模态细节统计特征提取研究 |
| 3.4 目标声、磁场信号的模态细节特征子集库构建 |
| 3.5 本章小结 |
| 第四章 基于同、异源场特征级融合的水雷单体目标识别技术 |
| 4.1 基于多特征子集特征级融合的目标识别广义框架 |
| 4.2 目标物理场原始特征集的鲁棒约简预处理 |
| 4.2.1 一种改进的基于鱼群优化的模糊粗糙特征选择算法 |
| 4.2.2 基于AFFRFS算法的目标物理场原始特征集约简实验 |
| 4.3 基于广义鉴别型多集典型相关分析的特征级融合算子及核优化措施 |
| 4.3.1 典型相关分析及特征融合理论基础 |
| 4.3.2 一种基于广义鉴别型多集典型相关分析的特征级融合算子 |
| 4.3.3 GDMCCA用于融合多源非线性特征子集的核函数优化措施 |
| 4.4 基于特征级融合的水雷单体目标识别实验 |
| 4.4.1 融合识别实验方案 |
| 4.4.2 基于声场同源场特征级融合的目标识别实验 |
| 4.4.3 基于磁场同源场特征级融合的水中电磁目标识别实验 |
| 4.4.4 基于声、磁异源场特征级融合的水中目标识别实验 |
| 4.4.5 同源、异源场特征级融合对水雷单体目标识别的技术启示 |
| 4.5 本章小结 |
| 第五章 水雷网络及基于雷网决策级融合的目标探测识别技术 |
| 5.1 水雷网络设定及基于雷网决策级融合的攻防应用 |
| 5.1.1 水雷网络基础 |
| 5.1.2 应用MNs结构设定及研究前提 |
| 5.1.3 基于MNs的入侵目标融合探测和识别流程 |
| 5.2 一种基于最优窗口统计量的水中入侵目标分布式融合探测策略 |
| 5.2.1 基于MNs分布式融合探测情景建模 |
| 5.2.2 本地节点的二元检测及能量模型 |
| 5.2.3 基于最优窗口统计量的分布式目标融合探测算法 |
| 5.2.4 融合检测算法的系统级虚警概率和检测概率 |
| 5.2.5 网络级融合检测算法的仿真分析 |
| 5.3 基于最优照射窗口内节点决策级融合的水中目标类别判定 |
| 5.3.1 冲突信息融合基础—DS/DSmT理论 |
| 5.3.2 基于MNs决策级融合的目标属性识别模型及算法详述 |
| 5.3.3 决策级融合目标识别的仿真分析 |
| 5.4 本章小结 |
| 第六章 全文总结及后续研究展望 |
| 6.1 论文主要研究成果及创新点 |
| 6.2 后续工作展望 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表的学术论文和参加的科研情况 |
| 致谢 |
（4）基于信息融合的机器人目标探测与识别研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的来源和研究背景 |
| 1.2 国内外移动机器人信息融合及目标识别研究发展概况 |
| 1.3 信息融合的定义 |
| 1.4 不确定性信息分析概述 |
| 1.4.1 不确定性信息分析研究的主要内容 |
| 1.4.2 不确定性信息推理的基本问题 |
| 1.4.3 不确定信息推理方法分类 |
| 1.4.4 移动机器人的不确定性分析 |
| 1.5 本文研究的主要内容 |
| 第2章 基于多传感器的移动机器人目标探测 |
| 2.1 前言 |
| 2.2 远距离目标探测 |
| 2.3 近距离目标探测 |
| 2.4 非接触近距离目标探测 |
| 2.5 超声波传感器测距 |
| 2.5.1 超声波测距的工作过程 |
| 2.5.2 超声波传感器的硬件电路设计 |
| 2.5.3 超声波传感器测距数据的结果和标定 |
| 2.6 红外传感器测距的应用 |
| 2.6.1 红外传感器介绍 |
| 2.6.2 红外传感器探测系统芯片电路介绍 |
| 2.6.3 红外传感器探测系统硬件电路设计 |
| 2.6.4 红外传感器探测系统软件设计 |
| 2.6.5 红外传感器探测系统与上位机通讯的程序设计 |
| 2.7 超声波与红外传感器数据融合实验及结果分析 |
| 2.7.1 自适应加权融合算法 |
| 2.7.2 超声波与红外传感器数据融合实验 |
| 2.7.3 实验结果分析 |
| 第3章 基于多传感器信息融合的目标识别技术概论 |
| 3.1 数据融合的功能模型 |
| 3.2 数据融合的结构体系 |
| 3.2.1 集中式融合 |
| 3.2.2 分布式融合 |
| 3.2.3 混合式融合 |
| 3.3 数据融合的层次结构 |
| 3.3.1 数据层融合 |
| 3.3.2 特征层融合 |
| 3.3.3 决策层融合 |
| 3.4 融合过程 |
| 3.5 融合算法 |
| 3.6 目标识别的困难 |
| 3.7 目标身份识别信息融合结构 |
| 第4章 基于多传感器的目标识别融合算法 |
| 4.1 基于相似性系数的目标识别模型 |
| 4.1.1 目标识别的相似性数学模型 |
| 4.1.2 相似性数学模型的特点 |
| 4.1.3 决策 |
| 4.1.4 实验及结果分析 |
| 4.2 基于最大后验概率的目标识别融合 |
| 4.2.1 实验及结果分析 |
| 4.3 基于D-S证据理论的目标识别融合 |
| 4.3.1 D-S证据理论 |
| 4.3.2 基本概率分配函数的构造法 |
| 4.3.3 证据理论决策融合规则 |
| 4.3.4 实验及结果分析 |
| 4.4 改进的D-S证据理论的目标识别融合 |
| 4.4.1 互不相容数据结构的递归目标识别的时域融合 |
| 4.4.2 传感器的空域递归目标识别融合 |
| 4.4.3 相容数据结构的目标识别时/空融合 |
| 4.4.4 改进的D-S证据理论实验及结果分析 |
| 4.5 基于模糊综合的目标识别融合 |
| 4.5.1 目标识别的决策模型 |
| 4.5.2 数据融合算法 |
| 第5章 总结与展望 |
| 5.1 研究成果回顾 |
| 5.2 存在的问题 |
| 5.3 研究方向展望 |
| 附录 |
| 附录A 超声波上微机通讯电路图 |
| 附录B 红外传感器测距电路图 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文、获奖及参与项目 |
| 学位论文评阅及答辩情况表 |
（7）多传感器信息融合方法及其在空间目标识别中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.1.1 课题来源 |
| 1.1.2 研究的目的及意义 |
| 1.2 信息融合技术及其研究现状 |
| 1.2.1 信息融合发展概况 |
| 1.2.2 信息融合的常用理论和方法 |
| 1.2.3 信息融合的应用领域 |
| 1.3 基于信息融合的目标识别及其研究现状 |
| 1.3.1 目标融合识别概述 |
| 1.3.2 目标航迹关联 |
| 1.3.3 目标识别研究现状 |
| 1.3.4 空间目标识别问题 |
| 1.4 本文主要工作 |
| 第2章 目标识别中的航迹关联方法研究 |
| 2.1 引言 |
| 2.2 数学模型 |
| 2.2.1 系统状态方程 |
| 2.2.2 状态估计原理 |
| 2.2.3 关联问题数学描述 |
| 2.3 基于模糊综合决策的D-S航迹关联方法 |
| 2.3.1 基本假设 |
| 2.3.2 证据的形成 |
| 2.3.3 证据的构造 |
| 2.3.4 证据融合及判决规则 |
| 2.3.5 仿真与结果分析 |
| 2.4 基于K近邻域的D-S航迹关联方法 |
| 2.4.1 EK-NN算法基本假设 |
| 2.4.2 证据的形成及融合 |
| 2.4.3 决策规则 |
| 2.4.4 EK-NN算法的多义性处理 |
| 2.4.5 仿真与结果分析 |
| 2.5 两种方法的比较 |
| 2.6 本章小结 |
| 第3章 基于神经网络的目标识别方法研究 |
| 3.1 引言 |
| 3.2 基于模糊决策的神经网络目标识别 |
| 3.2.1 模型结构 |
| 3.2.2 网络输出计算及学习算法 |
| 3.2.3 隶属函数选取 |
| 3.2.4 仿真与结果分析 |
| 3.3 基于神经网络组的目标识别 |
| 3.3.1 神经网络组 |
| 3.3.2 模型结构 |
| 3.3.3 仿真与结果分析 |
| 3.4 几种方法的比较 |
| 3.5 本章小结 |
| 第4章 基于证据决策的目标识别方法研究 |
| 4.1 引言 |
| 4.2 证据融合基本原理 |
| 4.3 基于证据理论的多传感器目标识别 |
| 4.3.1 基本概率分配函数的获取 |
| 4.3.2 D-S方法用于目标识别的决策规则 |
| 4.3.3 算法流程 |
| 4.3.4 数值算例与结果分析 |
| 4.4 D-S融合规则存在的问题及改进措施 |
| 4.4.1 矛盾证据融合分析 |
| 4.4.2 Yager公式和Sments公式 |
| 4.4.3 一种改进的D-S融合算法 |
| 4.4.4 数值算例与结果分析 |
| 4.5 本章小结 |
| 第5章 信息融合在空间目标识别中的应用 |
| 5.1 引言 |
| 5.2 仿真模型 |
| 5.2.1 模型框架 |
| 5.2.2 模型数学描述 |
| 5.3 仿真与结果分析 |
| 5.3.1 仿真条件 |
| 5.3.2 仿真与结果 |
| 5.3.3 结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 哈尔滨工业大学博士学位论文原创性声明和使用授权书 |
| 致谢 |
| 个人简历 |
（8）弹道中段目标雷达识别与评估研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 弹道目标的运动特点和识别挑战 |
| 1.2.1 弹道导弹的运动特点 |
| 1.2.2 弹道目标的识别挑战 |
| 1.3 反导系统中的雷达目标识别技术 |
| 1.3.1 雷达目标识别技术概述 |
| 1.3.2 弹道目标雷达识别研究现状与不足 |
| 1.4 目标识别评估技术 |
| 1.5 论文主要工作和结构安排 |
| 第二章 弹道中段目标雷达特性 |
| 2.1 引言 |
| 2.2 弹道中段目标的运动特性及其建模 |
| 2.2.1 弹道中段目标的弹道特性 |
| 2.2.2 弹头的自旋和章动特性 |
| 2.3 弹道中段目标的窄带雷达特性 |
| 2.3.1 概述 |
| 2.3.2 弹头的静态散射特性 |
| 2.3.3 弹头的动态散射特性 |
| 2.3.4 诱饵的窄带散射特性 |
| 2.4 弹道中段目标的宽带雷达特性 |
| 2.4.1 弹头的静态特性 |
| 2.4.2 弹头的动态特性 |
| 2.4.3 诱饵的宽带特性 |
| 2.5 本章小结 |
| 第三章 弹道中段目标雷达特征提取 |
| 3.1 引言 |
| 3.2 基于窄带RCS序列的周期特征提取 |
| 3.2.1 中段目标窄带RCS周期特性 |
| 3.2.2 RCS周期估计方法 |
| 3.2.3 基于CAUTOC和CAMDF的RCS周期估计方法 |
| 3.2.4 仿真结果与分析 |
| 3.3 基于单个宽带回波的目标运动特征提取 |
| 3.3.1 宽带线性调频信号的STFRETCH处理方法 |
| 3.3.2 宽带线性调频脉冲照射下的运动目标回波特点 |
| 3.3.3 用单个宽带回波提取目标距离和速度特征 |
| 3.3.4 仿真结果与分析 |
| 3.4 基于宽带回波的目标结构特征提取 |
| 3.4.1 基于盖氏圆盘法的散射中心估计 |
| 3.4.2 散射中心特征提取方法 |
| 3.4.3 基于距离像的目标长度特征提取 |
| 3.4.4 仿真结果与分析 |
| 3.5 基于宽带回波序列的运动特征提取 |
| 3.5.1 目标径向距离和速度特征提取 |
| 3.5.2 目标长度变化周期特征提取 |
| 3.5.3 仿真结果与分析 |
| 3.6 基于非高斯模型的距离像结构特征提取 |
| 3.6.1 物理统计非高斯模型 |
| 3.6.2 模型参数估计 |
| 3.6.3 对弹头类目标的建模结果 |
| 3.6.4 单极化下的特征提取 |
| 3.6.5 全极化下的特征提取 |
| 3.7 本章小结 |
| 第四章 弹道中段目标ISAR成像 |
| 4.1 引言 |
| 4.2 高速运动对距离像展宽的影响及其补偿方法 |
| 4.2.1 高速运动对距离像的影响 |
| 4.2.2 弹头高速运动产生的距离像展宽补偿方法 |
| 4.2.3 仿真实验与分析 |
| 4.3 高速运动对距离像相位的影响及其补偿方法 |
| 4.3.1 STRETCH处理的残余相位 |
| 4.3.2 高速目标解调频处理的相位特性 |
| 4.3.3 影响残余相位的因素 |
| 4.3.4 高速目标解调频处理的相位补偿方法 |
| 4.3.5 利用包络对齐补偿残余相位变化 |
| 4.3.6 本节小结 |
| 4.4 弹道中段目标超分辨成像 |
| 4.4.1 ESPRIT超分辨成像 |
| 4.4.2 酉ESPRIT超分辨成像 |
| 4.4.3 仿真结果与分析 |
| 4.5 ISAR成像距离分析 |
| 4.5.1 互相关运动补偿的二次压缩原理 |
| 4.5.2 运动补偿的信噪比要求 |
| 4.5.3 ISAR成像距离估算 |
| 4.6 弹道中段ISAR成像积累时间 |
| 4.6.1 姿态平稳时的成像积累时间 |
| 4.6.2 调姿情况下的成像积累时间 |
| 4.6.3 姿态控制方式对成像积累时间的影响 |
| 4.7 弹头类目标ISAR图像分析 |
| 4.7.1 弹头类目标的ISAR图像特点 |
| 4.7.2 弹头类目标ISAR特征提取 |
| 4.8 本章小结 |
| 第五章 弹道目标识别方法与性能评估 |
| 5.1 引言 |
| 5.2 弹道中段目标雷达特征评估 |
| 5.2.1 特征评估的基本方法 |
| 5.2.2 基于类内类间距离的特征可分性评估 |
| 5.2.3 基于模糊理论的特征可分性评估 |
| 5.2.4 仿真结果与分析 |
| 5.3 基于多特征综合的模糊识别方法 |
| 5.3.1 模糊识别方法 |
| 5.3.2 多特征线性集成 |
| 5.3.3 连续识别融合 |
| 5.3.4 仿真结果与分析 |
| 5.4 基于分类树的识别方法 |
| 5.4.1 分类树的基本原理 |
| 5.4.2 弹道目标识别分类树构造 |
| 5.4.3 模糊分类树 |
| 5.4.4 仿真结果与分析 |
| 5.5 识别系统可靠性评估 |
| 5.5.1 可靠性评估的一般方法 |
| 5.5.2 最近邻分类器的置信度估计 |
| 5.5.3 真假目标识别置信度评估 |
| 5.5.4 仿真结果与分析 |
| 5.6 基于ROC曲线的识别性能评估 |
| 5.6.1 Neyman-Pearson决策规则 |
| 5.6.2 采用ROC曲线评估分类器性能 |
| 5.6.3 采用ROC曲线对分类器比较及优化 |
| 5.6.4 仿真结果与分析 |
| 5.7 小结 |
| 第六章 结束语 |
| 6.1 论文主要工作和创新点 |
| 6.1.1 主要工作 |
| 6.1.2 主要创新点 |
| 6.2 后续研究展望 |
| 6.2.1 弹道目标雷达识别的发展趋势 |
| 6.2.2 需要进一步研究的问题 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（10）基于深度学习的隧道不良地质超前探测目标区识别与解释方法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 隧道不良地质超前探测方法研究现状 |
| 1.2.2 基于深度学习的目标识别与解释方法 |
| 1.3 目前研究存在的问题 |
| 1.4 主要研究内容、技术路线和创新点 |
| 1.4.1 本文的主要研究内容 |
| 1.4.2 技术路线 |
| 1.4.3 创新点 |
| 第二章 基于深度学习特征提取的隧道探测目标区识别方法 |
| 2.1 隧道地震波法与电阻率法探测原理及成像特征分析 |
| 2.1.1 地震波法探测原理及其成像特征 |
| 2.1.2 电阻率法探测原理及其成像特征 |
| 2.2 基于典型特征提取的卷积深度神经网络算法 |
| 2.2.1 典型特征提取方法 |
| 2.2.2 TD-Net深度神经网络算法 |
| 2.3 隧道探测目标区识别效果分析 |
| 2.3.1 地震波法识别效果 |
| 2.3.2 电阻率法识别效果 |
| 2.4 本章小结 |
| 第三章 基于深度学习信息先验的隧道不良地质解释方法 |
| 3.1 地质先验信息量化方法 |
| 3.1.1 基于模糊层次分析的数据量化方法 |
| 3.1.2 地质先验信息一致性评价 |
| 3.2 基于地质信息先验的深度神经网络算法 |
| 3.2.1 地质先验信息数据集构建 |
| 3.2.2 TE-Net深度神经网络 |
| 3.3 隧道探测不良地质解释数值实验 |
| 3.3.1 地震法探测地质解释示例 |
| 3.3.2 电阻率探测地质解释示例 |
| 3.4 本章小结 |
| 第四章 基于深度学习信息融合的隧道不良地质联合解释方法 |
| 4.1 基于“地震-电法-地质”信息融合的联合解释方法 |
| 4.1.1 TU-Net深度神经网络 |
| 4.1.2 基于迁移学习的参数初始化方法 |
| 4.2 隧道不良地质联合解释数值实验 |
| 4.2.1 数据集构建及网络训练 |
| 4.2.2 地震-电阻率联合探测地质解释示例 |
| 4.3 本章小结 |
| 第五章 隧道超前探测智能识别解释系统及工程验证 |
| 5.1 系统总体设计 |
| 5.1.1 功能模块需求性分析 |
| 5.1.2 总体架构 |
| 5.1.3 功能模块 |
| 5.2 工程验证 |
| 5.2.1 吉林引松供水工程地震探测 |
| 5.2.2 引红济石调水工程电法探测 |
| 5.2.3 高黎贡山隧道工程“地震-电法”联合探测 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的科研成果、参与项目及所获奖励 |
| 学位论文评阅及答辩情况表 |
四、基于模糊综合函数的目标识别融合算法研究（论文参考文献）
- [1]极化雷达目标识别与多分类器融合研究[D]. 盖晴晴. 南京理工大学, 2019(06)
- [2]多源引导信息融合及其关键技术研究[D]. 黄璇. 中国科学院研究生院(长春光学精密机械与物理研究所), 2016(08)
- [3]基于信息融合的水中目标属性识别关键技术研究[D]. 刘义海. 西北工业大学, 2015(01)
- [4]基于信息融合的机器人目标探测与识别研究[D]. 姬志飞. 山东大学, 2011(04)
- [5]多传感器数据融合目标识别算法综述[A]. 徐小琴. 2006年全国光电技术学术交流会会议文集（D 光电信息处理技术专题）, 2006
- [6]多传感器数据融合目标识别算法综述[J]. 徐小琴. 红外与激光工程, 2006(S4)
- [7]多传感器信息融合方法及其在空间目标识别中的应用[D]. 张池平. 哈尔滨工业大学, 2006(11)
- [8]弹道中段目标雷达识别与评估研究[D]. 冯德军. 国防科学技术大学, 2006(06)
- [9]基于模糊综合的目标识别时空数据融合算法[J]. 王国宏,何友. 模式识别与人工智能, 1997(01)
- [10]基于深度学习的隧道不良地质超前探测目标区识别与解释方法[D]. 岳景杭. 山东大学, 2021(12)