多源信息融合

　　本書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)展的基礎理論，如統(tǒng)計推斷與估計理論基礎、智能計算與識別理論基礎等； 還包括目標跟蹤理論、檢測融合、估計融合、數(shù)據(jù)關聯(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)勢評估與威脅估計等內(nèi)容。本書理論體系完整，材料取舍適當，適合從事多源信息融合理論研究和工程應用的專業(yè)技術人員參考，也可以作為相關專業(yè)大學本科高年級學生和研究生，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1.1.3應用領域1.2信息融合系統(tǒng)的模型和結構1.2.1功能模型1.2.2數(shù)據(jù)融合的級別1.2.3通用處理結構1.3多源信息融合的主要技術和方法1.4信息融合要解決的幾個關鍵問題1.5發(fā)展起源、現(xiàn)狀與未來參考文獻第2章統(tǒng)計推斷與估計理論基礎2.1點估計理論基礎2.1.1一般概念2.1.2Bayes點估計理論2.1.3BLUE估計2.1.4WLS估計2.1.5ML估計2.1.6主成分估計2.1.7RLS估計與LMS估計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)估計的EM算法實例2.3線性動態(tài)系統(tǒng)的濾波理論與算法2.3.1離散時間線性系統(tǒng)狀態(tài)估計問題的一般描述2.3.2基本Kalman濾波器2.3.3信息濾波器2.3.4噪聲相關的Kalman濾波器2.4非線性動態(tài)系統(tǒng)的濾波理論與算法2.4.1擴展Kalman濾波器（EKF）2.4.2UKF濾波2.4.3Bayes濾波2.5基于隨機采樣的過程估計理論與算法2.5.1傳統(tǒng)Bayes估計面臨的挑戰(zhàn)與解決的新思路2.5.2Monte Carlo仿真的隨機采樣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)估計理論2.6.1一般描述2.6.2多模型方法簡述2.6.3定結構多模型估計2.6.4交互式多模型算法2.6.5變結構多模型（VSMM）算法概述2.7小結參考文獻第3章智能計算與識別理論基礎3.1概述3.1.1模式識別的一般概念3.1.2智能學習與統(tǒng)計模式識別●多源信息融合目●錄3.2粗糙集理論基礎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3.2.5粗糙隸屬度3.3證據(jù)理論基礎3.3.1概述3.3.2mass函數(shù)、信任測度與似然測度3.3.3DempsterShafer合成公式3.3.4證據(jù)推理3.4隨機集理論基礎3.4.1一般概念3.4.2概率模型3.4.3隨機集的mass函數(shù)模型3.5統(tǒng)計學習理論與支持向量機基礎3.5.1統(tǒng)計學習理論的一般概念3.5.2學習機的VC維與風險界3.5.3線性支持向量機3.5.4非線性支持向量機3.5.5用于孤立點發(fā)現(xiàn)的Oneclass SVM算法3.5.6最小二乘支持向量機3.5.7模糊支持向量機3.5.8小波支持向量機3.5.9核主成分分析3.6Bayes網(wǎng)絡基礎3.6.1Bayes網(wǎng)絡的一般概念3.6.2獨立性假設3.6.3一致性概率3.6.4Bayes網(wǎng)絡推斷3.7小結參考文獻第4章目標跟蹤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目標動態(tài)模型4.3.1機動目標跟蹤的數(shù)學模型4.3.2非機動目標動態(tài)模型4.3.3坐標不耦合的目標機動模型4.3.4二維水平運動模型4.3.5三維模型4.4量測模型4.4.1傳感器坐標模型4.4.2在各種坐標系中的跟蹤4.4.3混合坐標系的線性化模型4.4.4笛卡兒坐標系下的模型4.5雷達量測轉(zhuǎn)換4.5.1二維去偏量測轉(zhuǎn)換4.5.2三維去偏量測轉(zhuǎn)換4.5.3無偏量測轉(zhuǎn)換4.5.4修正的無偏量測轉(zhuǎn)換4.6基于雷達量測和BLUE準則的目標跟蹤4.6.1基于BLUE準則的二維量測轉(zhuǎn)換4.6.2基于BLUE準則的三維量測轉(zhuǎn)換4.7帶Doppler量測的雷達目標跟蹤4.7.1極坐標系中帶Doppler量測的雷達目標跟蹤4.7.2球坐標系中帶Doppler量測的雷達目標跟蹤4.8時間與空間配準4.8.1問題描述4.8.2時間配準算法4.8.3常用坐標系4.8.4坐標轉(zhuǎn)換4.8.5空間配準算法概述4.8.6二維空間配準算法4.8.7精確極大似然空間配準算法4.8.8基于地心坐標系的空間配準算法4.9小結參考文獻第5章檢測融合5.1概論5.2并行結構融合系統(tǒng)的最優(yōu)分布式檢測融合算法5.2.1系統(tǒng)描述5.2.2最優(yōu)分布式檢測的必要條件5.2.3傳感器觀測獨立條件下的最優(yōu)分布式檢測5.2.4實例計算5.3串行結構融合系統(tǒng)的最優(yōu)分布式檢測融合算法5.3.1系統(tǒng)描述5.3.2傳感器觀測獨立條件下最優(yōu)分布式檢測的必要條件5.3.3傳感器觀測獨立條件下的最優(yōu)分布式檢測5.3.4實例計算5.4樹形結構融合系統(tǒng)的最優(yōu)分布式檢測融合算法5.4.1系統(tǒng)描述5.4.2結點觀測獨立條件下最優(yōu)分布式檢測的必要條件5.4.3結點觀測獨立條件下的最優(yōu)分布式檢測5.4.4實例計算5.5分布式量化檢測系統(tǒng)5.5.1系統(tǒng)描述5.5.2最優(yōu)分布式量化檢測的必要條件5.5.3傳感器觀測獨立條件下的最優(yōu)分布式量化檢測5.5.4實例計算5.6分布式NP檢測融合系統(tǒng)5.6.1最優(yōu)分布式量化檢測的必要條件5.6.2傳感器觀測獨立條件下的最優(yōu)分布式檢測5.6.3傳感器觀測相關條件下的次優(yōu)分布式檢測5.6.4分布式硬決策NP檢測融合系統(tǒng)5.6.5實例計算5.7小結參考文獻第6章估計融合6.1估計融合系統(tǒng)結構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分布式融合結構6.3.2航跡融合中各傳感器局部估計誤差相關的原因6.3.3簡單凸組合融合算法6.3.4Bar ShalomCampo融合算法6.3.5不帶反饋的最優(yōu)分布式估計融合6.3.6帶反饋的最優(yōu)分布式估計融合6.3.7最大后驗概率狀態(tài)估計融合6.3.8最優(yōu)的集中式估計的重構6.4協(xié)方差交叉法6.4.1問題描述6.4.2相關程度已知的相關估計量最優(yōu)融合6.4.3相關程度未知的相關估計量最優(yōu)融合6.5聯(lián)邦濾波器6.5.1問題描述6.5.2方差上界技術6.5.3聯(lián)邦濾波器的一般結構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)邦濾波器的四種結構6.5.7聯(lián)邦濾波器四種結構的比較6.5.8聯(lián)邦濾波器的特點6.5.9聯(lián)邦濾波器的兩種簡化形式6.6最優(yōu)線性估計融合與統(tǒng)一融合規(guī)則6.6.1問題描述6.6.2統(tǒng)一線性數(shù)據(jù)模型6.6.3對于線性數(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小結參考文獻第7章數(shù)據(jù)關聯(lián)7.1引言7.2量測航跡關聯(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)關聯(lián)7.2.3交互式多模型概率數(shù)據(jù)關聯(lián)7.2.4聯(lián)合概率數(shù)據(jù)關聯(lián)7.2.5多傳感聯(lián)合概率數(shù)據(jù)關聯(lián)7.3量測航跡關聯(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)關聯(lián)7.3.2多假設方法7.3.3概率多假設方法7.3.4基于期望極大化算法的雜波環(huán)境下機動目標跟蹤7.4集中式多傳感多目標跟蹤的廣義S維分配算法7.5多目標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基于目標可感知性的決策方法7.6分布式航跡關聯(lián)7.6.1基本符號7.6.2兩個傳感器之間的航跡關聯(lián)7.6.3多傳感器之間的航跡關聯(lián)7.7小結參考文獻第8章異步融合8.1異步融合的一般概念8.2順序量測異步融合8.2.1問題描述8.2.2順序量測異步融合算法8.3單個非順序量測異步融合問題8.3.1非順序量測問題產(chǎn)生的原因8.3.2非順序量測問題的數(shù)學描述8.3.3非順序量測問題的主要處理算法8.3.4直接更新法的通解8.4單個非順序量測一步滯后濾波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單個非順序量測多步滯后濾波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小結參考文獻目●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圖像融合的簡單應用實例9.2圖像融合的分類9.2.1像素級圖像融合9.2.2特征級圖像融合9.2.3決策級圖像融合9.2.4三個圖像融合層次的性能比較9.3圖像配準9.3.1配準的基本概念9.3.2配準需要解決的問題9.3.3配準算法9.3.4變換模型及配準參數(shù)估計方法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用于目標搜索的融合框架設計9.6基于圖像融合的目標跟蹤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圖像跟蹤的一般過程9.7圖像融合的評價標準9.7.1主觀評價標準9.7.2客觀評價標準9.8小結參考文獻ⅩⅧ●多源信息融合第10章異類融合10.1概述10.2基于雷達檢測與紅外檢測融合處理的目標跟蹤10.2.1問題概述10.2.2算法描述10.3基于音頻和視頻特征融合的身份識別10.3.1問題概述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跟蹤10.4.1問題描述10.4.2概率生成模型10.4.3對于音頻視頻數(shù)據(jù)的一個概率生成模型10.4.4基于音頻視頻數(shù)據(jù)融合的參數(shù)估計與目標跟蹤10.4.5融合與跟蹤結果10.5小結參考文獻第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)展過程11.1.3主要研究方向11.1.4我國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主要研究內(nèi)容11.2.2研究與應用現(xiàn)狀11.2.3多傳感技術應用 11.3基于多傳感信息融合的路徑規(guī)劃與自動導航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導航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)的研究內(nèi)容11.4.2智能車輛防碰撞系統(tǒng)的組成11.4.3自適應巡航控制系統(tǒng)的關鍵技術11.4.4當前存在的問題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)關聯(lián)的DS實現(xiàn)11.5.3仿真示例11.6小結參考文獻目●錄ⅩⅠⅩ第12章態(tài)勢評估和威脅估計12.1前言12.2決策級融合中的態(tài)勢評估12.2.1態(tài)勢的概念12.2.2現(xiàn)代戰(zhàn)爭中的態(tài)勢評估12.2.3基于戰(zhàn)爭環(huán)境的威脅估計12.3態(tài)勢評估的實現(xiàn)12.3.1態(tài)勢評估的特點12.3.2態(tài)勢評估過程12.3.3態(tài)勢評估的事后分析12.4一個簡單的應用實例12.4.1問題描述12.4.2系統(tǒng)建模12.5常用的態(tài)勢評估方法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小結參考文獻ⅩⅩ●多源信息

暫缺《多源信息融合》作者簡介