多源信息融合

　　本書(shū)主要包括多源信息融合的基本概念以及多源信息融合理論賴以發(fā)展的基礎(chǔ)理論，如統(tǒng)計(jì)推斷與估計(jì)理論基礎(chǔ)、智能計(jì)算與識(shí)別理論基礎(chǔ)等； 還包括目標(biāo)跟蹤理論、檢測(cè)融合、估計(jì)融合、數(shù)據(jù)關(guān)聯(lián)、異步信息融合和異類信息融合； 也包括圖像融合特別是遙感圖像融合、智能交通中的信息融合，以及態(tài)勢(shì)評(píng)估與威脅估計(jì)等內(nèi)容。本書(shū)理論體系完整，材料取舍適當(dāng)，適合從事多源信息融合理論研究和工程應(yīng)用的專業(yè)技術(shù)人員參考，也可以作為相關(guān)專業(yè)大學(xué)本科高年級(jí)學(xué)生和研究生，特別是博士研究生的參考讀物。 第1章緒論1.1多源信息融合的一般概念與定義1.1.1定義1.1.2多源信息融合的優(yōu)勢(shì)1.1.3應(yīng)用領(lǐng)域1.2信息融合系統(tǒng)的模型和結(jié)構(gòu)1.2.1功能模型1.2.2數(shù)據(jù)融合的級(jí)別1.2.3通用處理結(jié)構(gòu)1.3多源信息融合的主要技術(shù)和方法1.4信息融合要解決的幾個(gè)關(guān)鍵問(wèn)題1.5發(fā)展起源、現(xiàn)狀與未來(lái)參考文獻(xiàn)第2章統(tǒng)計(jì)推斷與估計(jì)理論基礎(chǔ)2.1點(diǎn)估計(jì)理論基礎(chǔ)2.1.1一般概念2.1.2Bayes點(diǎn)估計(jì)理論2.1.3BLUE估計(jì)2.1.4WLS估計(jì)2.1.5ML估計(jì)2.1.6主成分估計(jì)2.1.7RLS估計(jì)與LMS估計(jì)2.2期望極大化（EM）方法2.2.1概述2.2.2EM算法描述2.2.3混合Gauss參數(shù)估計(jì)的EM算法實(shí)例2.3線性動(dòng)態(tài)系統(tǒng)的濾波理論與算法2.3.1離散時(shí)間線性系統(tǒng)狀態(tài)估計(jì)問(wèn)題的一般描述2.3.2基本Kalman濾波器2.3.3信息濾波器2.3.4噪聲相關(guān)的Kalman濾波器2.4非線性動(dòng)態(tài)系統(tǒng)的濾波理論與算法2.4.1擴(kuò)展Kalman濾波器（EKF）2.4.2UKF濾波2.4.3Bayes濾波2.5基于隨機(jī)采樣的過(guò)程估計(jì)理論與算法2.5.1傳統(tǒng)Bayes估計(jì)面臨的挑戰(zhàn)與解決的新思路2.5.2Monte Carlo仿真的隨機(jī)采樣2.5.3Markov chain Monte Carlo采樣2.5.4粒子濾波的一般方法2.6混合系統(tǒng)狀態(tài)估計(jì)理論2.6.1一般描述2.6.2多模型方法簡(jiǎn)述2.6.3定結(jié)構(gòu)多模型估計(jì)2.6.4交互式多模型算法2.6.5變結(jié)構(gòu)多模型（VSMM）算法概述2.7小結(jié)參考文獻(xiàn)第3章智能計(jì)算與識(shí)別理論基礎(chǔ)3.1概述3.1.1模式識(shí)別的一般概念3.1.2智能學(xué)習(xí)與統(tǒng)計(jì)模式識(shí)別●多源信息融合目●錄3.2粗糙集理論基礎(chǔ)3.2.1信息系統(tǒng)的一般概念3.2.2決策系統(tǒng)的不可分辨性3.2.3集合近似3.2.4屬性約簡(jiǎn)3.2.5粗糙隸屬度3.3證據(jù)理論基礎(chǔ)3.3.1概述3.3.2mass函數(shù)、信任測(cè)度與似然測(cè)度3.3.3DempsterShafer合成公式3.3.4證據(jù)推理3.4隨機(jī)集理論基礎(chǔ)3.4.1一般概念3.4.2概率模型3.4.3隨機(jī)集的mass函數(shù)模型3.5統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)基礎(chǔ)3.5.1統(tǒng)計(jì)學(xué)習(xí)理論的一般概念3.5.2學(xué)習(xí)機(jī)的VC維與風(fēng)險(xiǎn)界3.5.3線性支持向量機(jī)3.5.4非線性支持向量機(jī)3.5.5用于孤立點(diǎn)發(fā)現(xiàn)的Oneclass SVM算法3.5.6最小二乘支持向量機(jī)3.5.7模糊支持向量機(jī)3.5.8小波支持向量機(jī)3.5.9核主成分分析3.6Bayes網(wǎng)絡(luò)基礎(chǔ)3.6.1Bayes網(wǎng)絡(luò)的一般概念3.6.2獨(dú)立性假設(shè)3.6.3一致性概率3.6.4Bayes網(wǎng)絡(luò)推斷3.7小結(jié)參考文獻(xiàn)第4章目標(biāo)跟蹤4.1基本概念與原理4.2跟蹤門4.2.1濾波殘差4.2.2矩形跟蹤門4.2.3橢球跟蹤門4.2.4其他跟蹤門4.3目標(biāo)動(dòng)態(tài)模型4.3.1機(jī)動(dòng)目標(biāo)跟蹤的數(shù)學(xué)模型4.3.2非機(jī)動(dòng)目標(biāo)動(dòng)態(tài)模型4.3.3坐標(biāo)不耦合的目標(biāo)機(jī)動(dòng)模型4.3.4二維水平運(yùn)動(dòng)模型4.3.5三維模型4.4量測(cè)模型4.4.1傳感器坐標(biāo)模型4.4.2在各種坐標(biāo)系中的跟蹤4.4.3混合坐標(biāo)系的線性化模型4.4.4笛卡兒坐標(biāo)系下的模型4.5雷達(dá)量測(cè)轉(zhuǎn)換4.5.1二維去偏量測(cè)轉(zhuǎn)換4.5.2三維去偏量測(cè)轉(zhuǎn)換4.5.3無(wú)偏量測(cè)轉(zhuǎn)換4.5.4修正的無(wú)偏量測(cè)轉(zhuǎn)換4.6基于雷達(dá)量測(cè)和BLUE準(zhǔn)則的目標(biāo)跟蹤4.6.1基于BLUE準(zhǔn)則的二維量測(cè)轉(zhuǎn)換4.6.2基于BLUE準(zhǔn)則的三維量測(cè)轉(zhuǎn)換4.7帶Doppler量測(cè)的雷達(dá)目標(biāo)跟蹤4.7.1極坐標(biāo)系中帶Doppler量測(cè)的雷達(dá)目標(biāo)跟蹤4.7.2球坐標(biāo)系中帶Doppler量測(cè)的雷達(dá)目標(biāo)跟蹤4.8時(shí)間與空間配準(zhǔn)4.8.1問(wèn)題描述4.8.2時(shí)間配準(zhǔn)算法4.8.3常用坐標(biāo)系4.8.4坐標(biāo)轉(zhuǎn)換4.8.5空間配準(zhǔn)算法概述4.8.6二維空間配準(zhǔn)算法4.8.7精確極大似然空間配準(zhǔn)算法4.8.8基于地心坐標(biāo)系的空間配準(zhǔn)算法4.9小結(jié)參考文獻(xiàn)第5章檢測(cè)融合5.1概論5.2并行結(jié)構(gòu)融合系統(tǒng)的最優(yōu)分布式檢測(cè)融合算法5.2.1系統(tǒng)描述5.2.2最優(yōu)分布式檢測(cè)的必要條件5.2.3傳感器觀測(cè)獨(dú)立條件下的最優(yōu)分布式檢測(cè)5.2.4實(shí)例計(jì)算5.3串行結(jié)構(gòu)融合系統(tǒng)的最優(yōu)分布式檢測(cè)融合算法5.3.1系統(tǒng)描述5.3.2傳感器觀測(cè)獨(dú)立條件下最優(yōu)分布式檢測(cè)的必要條件5.3.3傳感器觀測(cè)獨(dú)立條件下的最優(yōu)分布式檢測(cè)5.3.4實(shí)例計(jì)算5.4樹(shù)形結(jié)構(gòu)融合系統(tǒng)的最優(yōu)分布式檢測(cè)融合算法5.4.1系統(tǒng)描述5.4.2結(jié)點(diǎn)觀測(cè)獨(dú)立條件下最優(yōu)分布式檢測(cè)的必要條件5.4.3結(jié)點(diǎn)觀測(cè)獨(dú)立條件下的最優(yōu)分布式檢測(cè)5.4.4實(shí)例計(jì)算5.5分布式量化檢測(cè)系統(tǒng)5.5.1系統(tǒng)描述5.5.2最優(yōu)分布式量化檢測(cè)的必要條件5.5.3傳感器觀測(cè)獨(dú)立條件下的最優(yōu)分布式量化檢測(cè)5.5.4實(shí)例計(jì)算5.6分布式NP檢測(cè)融合系統(tǒng)5.6.1最優(yōu)分布式量化檢測(cè)的必要條件5.6.2傳感器觀測(cè)獨(dú)立條件下的最優(yōu)分布式檢測(cè)5.6.3傳感器觀測(cè)相關(guān)條件下的次優(yōu)分布式檢測(cè)5.6.4分布式硬決策NP檢測(cè)融合系統(tǒng)5.6.5實(shí)例計(jì)算5.7小結(jié)參考文獻(xiàn)第6章估計(jì)融合6.1估計(jì)融合系統(tǒng)結(jié)構(gòu)6.2集中式融合系統(tǒng)6.2.1并行濾波6.2.2序貫濾波6.2.3數(shù)據(jù)壓縮濾波6.3分布式融合系統(tǒng)6.3.1分布式融合結(jié)構(gòu)6.3.2航跡融合中各傳感器局部估計(jì)誤差相關(guān)的原因6.3.3簡(jiǎn)單凸組合融合算法6.3.4Bar ShalomCampo融合算法6.3.5不帶反饋的最優(yōu)分布式估計(jì)融合6.3.6帶反饋的最優(yōu)分布式估計(jì)融合6.3.7最大后驗(yàn)概率狀態(tài)估計(jì)融合6.3.8最優(yōu)的集中式估計(jì)的重構(gòu)6.4協(xié)方差交叉法6.4.1問(wèn)題描述6.4.2相關(guān)程度已知的相關(guān)估計(jì)量最優(yōu)融合6.4.3相關(guān)程度未知的相關(guān)估計(jì)量最優(yōu)融合6.5聯(lián)邦濾波器6.5.1問(wèn)題描述6.5.2方差上界技術(shù)6.5.3聯(lián)邦濾波器的一般結(jié)構(gòu)6.5.4聯(lián)邦濾波器的工作流程6.5.5聯(lián)邦濾波器的最優(yōu)性證明6.5.6聯(lián)邦濾波器的四種結(jié)構(gòu)6.5.7聯(lián)邦濾波器四種結(jié)構(gòu)的比較6.5.8聯(lián)邦濾波器的特點(diǎn)6.5.9聯(lián)邦濾波器的兩種簡(jiǎn)化形式6.6最優(yōu)線性估計(jì)融合與統(tǒng)一融合規(guī)則6.6.1問(wèn)題描述6.6.2統(tǒng)一線性數(shù)據(jù)模型6.6.3對(duì)于線性數(shù)據(jù)模型的統(tǒng)一最優(yōu)融合規(guī)則6.6.4一般的最優(yōu)的線性融合規(guī)則6.7小結(jié)參考文獻(xiàn)第7章數(shù)據(jù)關(guān)聯(lián)7.1引言7.2量測(cè)航跡關(guān)聯(lián)算法： 經(jīng)典方法7.2.1最近鄰方法7.2.2概率數(shù)據(jù)關(guān)聯(lián)7.2.3交互式多模型概率數(shù)據(jù)關(guān)聯(lián)7.2.4聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)7.2.5多傳感聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)7.3量測(cè)航跡關(guān)聯(lián)的其他方法7.3.1基于粒子濾波的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)7.3.2多假設(shè)方法7.3.3概率多假設(shè)方法7.3.4基于期望極大化算法的雜波環(huán)境下機(jī)動(dòng)目標(biāo)跟蹤7.4集中式多傳感多目標(biāo)跟蹤的廣義S維分配算法7.5多目標(biāo)跟蹤起始與跟蹤終止算法7.5.1跟蹤起始方法7.5.2跟蹤終止方法7.5.3基于目標(biāo)可感知性的決策方法7.6分布式航跡關(guān)聯(lián)7.6.1基本符號(hào)7.6.2兩個(gè)傳感器之間的航跡關(guān)聯(lián)7.6.3多傳感器之間的航跡關(guān)聯(lián)7.7小結(jié)參考文獻(xiàn)第8章異步融合8.1異步融合的一般概念8.2順序量測(cè)異步融合8.2.1問(wèn)題描述8.2.2順序量測(cè)異步融合算法8.3單個(gè)非順序量測(cè)異步融合問(wèn)題8.3.1非順序量測(cè)問(wèn)題產(chǎn)生的原因8.3.2非順序量測(cè)問(wèn)題的數(shù)學(xué)描述8.3.3非順序量測(cè)問(wèn)題的主要處理算法8.3.4直接更新法的通解8.4單個(gè)非順序量測(cè)一步滯后濾波8.4.1A1算法8.4.2B1算法8.4.3C1算法8.4.4各種算法比較8.5單個(gè)非順序量測(cè)多步滯后濾波8.5.1Bl算法8.5.2Al1與 Bl1算法8.5.3Zl算法8.6多OOSM多步滯后濾波8.7小結(jié)參考文獻(xiàn)目●錄ⅩⅦ第9章圖像融合9.1圖像融合概述9.1.1圖像融合的一般概念9.1.2圖像融合的發(fā)展9.1.3圖像融合的簡(jiǎn)單應(yīng)用實(shí)例9.2圖像融合的分類9.2.1像素級(jí)圖像融合9.2.2特征級(jí)圖像融合9.2.3決策級(jí)圖像融合9.2.4三個(gè)圖像融合層次的性能比較9.3圖像配準(zhǔn)9.3.1配準(zhǔn)的基本概念9.3.2配準(zhǔn)需要解決的問(wèn)題9.3.3配準(zhǔn)算法9.3.4變換模型及配準(zhǔn)參數(shù)估計(jì)方法9.3.5圖像的重采樣和變換9.4圖像融合算法9.4.1簡(jiǎn)單圖像融合算法9.4.2基于金字塔分解的圖像融合算法9.4.3基于小波變換的圖像融合算法9.4.4其他圖像融合算法9.5遙感圖像融合9.5.1遙感圖像融合概述9.5.2遙感圖像數(shù)據(jù)融合的基本框架9.5.3基于粗糙集的特征選擇與多源遙感圖像融合分類9.5.4用于目標(biāo)搜索的融合框架設(shè)計(jì)9.6基于圖像融合的目標(biāo)跟蹤9.6.1圖像跟蹤的一般理論9.6.2圖像跟蹤的工程算法9.6.3圖像跟蹤的一般過(guò)程9.7圖像融合的評(píng)價(jià)標(biāo)準(zhǔn)9.7.1主觀評(píng)價(jià)標(biāo)準(zhǔn)9.7.2客觀評(píng)價(jià)標(biāo)準(zhǔn)9.8小結(jié)參考文獻(xiàn)ⅩⅧ●多源信息融合第10章異類融合10.1概述10.2基于雷達(dá)檢測(cè)與紅外檢測(cè)融合處理的目標(biāo)跟蹤10.2.1問(wèn)題概述10.2.2算法描述10.3基于音頻和視頻特征融合的身份識(shí)別10.3.1問(wèn)題概述10.3.2音頻特征提取10.3.3視頻特征提取10.3.4分類10.3.5多形態(tài)融合10.4雜波環(huán)境中基于異類信息融合的目標(biāo)跟蹤10.4.1問(wèn)題描述10.4.2概率生成模型10.4.3對(duì)于音頻視頻數(shù)據(jù)的一個(gè)概率生成模型10.4.4基于音頻視頻數(shù)據(jù)融合的參數(shù)估計(jì)與目標(biāo)跟蹤10.4.5融合與跟蹤結(jié)果10.5小結(jié)參考文獻(xiàn)第11章智能交通與信息融合11.1智能交通系統(tǒng)概述11.1.1一般概念11.1.2發(fā)展過(guò)程11.1.3主要研究方向11.1.4我國(guó)ITS發(fā)展現(xiàn)狀11.1.5智能交通系統(tǒng)的發(fā)展方向11.2智能車輛系統(tǒng)概述11.2.1主要研究?jī)?nèi)容11.2.2研究與應(yīng)用現(xiàn)狀11.2.3多傳感技術(shù)應(yīng)用 11.3基于多傳感信息融合的路徑規(guī)劃與自動(dòng)導(dǎo)航11.3.1基于多傳感信息融合的路徑規(guī)劃11.3.2基于多傳感信息融合的自動(dòng)導(dǎo)航11.4智能車輛系統(tǒng)的障礙規(guī)避與防碰撞11.4.1智能車輛防碰撞系統(tǒng)的研究?jī)?nèi)容11.4.2智能車輛防碰撞系統(tǒng)的組成11.4.3自適應(yīng)巡航控制系統(tǒng)的關(guān)鍵技術(shù)11.4.4當(dāng)前存在的問(wèn)題11.5基于證據(jù)推理的多傳感器信息融合的道路車輛跟蹤11.5.1引言11.5.2車載傳感器數(shù)據(jù)關(guān)聯(lián)的DS實(shí)現(xiàn)11.5.3仿真示例11.6小結(jié)參考文獻(xiàn)目●錄ⅩⅠⅩ第12章態(tài)勢(shì)評(píng)估和威脅估計(jì)12.1前言12.2決策級(jí)融合中的態(tài)勢(shì)評(píng)估12.2.1態(tài)勢(shì)的概念12.2.2現(xiàn)代戰(zhàn)爭(zhēng)中的態(tài)勢(shì)評(píng)估12.2.3基于戰(zhàn)爭(zhēng)環(huán)境的威脅估計(jì)12.3態(tài)勢(shì)評(píng)估的實(shí)現(xiàn)12.3.1態(tài)勢(shì)評(píng)估的特點(diǎn)12.3.2態(tài)勢(shì)評(píng)估過(guò)程12.3.3態(tài)勢(shì)評(píng)估的事后分析12.4一個(gè)簡(jiǎn)單的應(yīng)用實(shí)例12.4.1問(wèn)題描述12.4.2系統(tǒng)建模12.5常用的態(tài)勢(shì)評(píng)估方法12.5.1推理理論12.5.2模糊集理論12.5.3專家系統(tǒng)方法12.5.4黑板模型12.5.5智能體模型12.6小結(jié)參考文獻(xiàn)ⅩⅩ●多源信息

暫缺《多源信息融合》作者簡(jiǎn)介