多源信息融合與應用（第三版）

目 錄

第1章 多源信息融合概述 1
1.1 信息融合的目的和意義 1
1.1.1 信息融合的背景描述 1
1.1.2 信息融合的定義 1
1.1.3 信息融合的性能裨益 2
1.2 信息融合的原理和級別 3
1.2.1 信息融合的基本原理 3
1.2.2 信息融合的級別 3
1.3 信息融合的應用領域 5
1.3.1 信息融合問題分類 5
1.3.2 信息融合在民事上的應用 5
1.3.3 信息融合在軍事上的應用 8
1.4 信息融合研究的歷史與現(xiàn)狀 10
1.4.1 信息融合研究重要節(jié)點和事件 10
1.4.2 信息融合主要發(fā)展階段 13
1.4.3 信息融合研究主要學術成果 14
1.5 本書的范圍和概貌 16
參考文獻 18
第2章 狀態(tài)估計基礎 27
2.1 引言 27
2.2 線性動態(tài)系統(tǒng)估計：卡爾曼
濾波器 27
2.2.1 線性動態(tài)系統(tǒng)定義 27
2.2.2 卡爾曼濾波器 28
2.2.3 卡爾曼濾波器的推導：從貝葉斯
估計的角度 29
2.2.4 卡爾曼濾波器的初始化 34
2.2.5 卡爾曼濾波器的重要性質(zhì) 37
2.2.6 卡爾曼濾波器的應用舉例 39
2.3 卡爾曼濾波器的其他等價形式 40
2.3.1 信息濾波器 41
2.3.2 序貫濾波器 41
2.3.3 平方根濾波器 43
2.4 卡爾曼濾波器的近似計算形式 45
2.4.1 穩(wěn)態(tài)濾波器 45
2.4.2 運動模型的常增益濾波器 46
2.4.3 常增益濾波器應用舉例 50
2.5 非理想條件下的卡爾曼濾波器 51
2.5.1 有色過程噪聲的卡爾曼濾波器 51
2.5.2 有色量測噪聲的卡爾曼濾波器 51
2.5.3 過程噪聲和量測噪聲相關的
卡爾曼濾波器 53
2.5.4 量測延遲的卡爾曼濾波器 54
2.6 非線性系統(tǒng)的狀態(tài)估計 55
2.6.1 擴展卡爾曼濾波器 56
2.6.2 迭代擴展卡爾曼濾波器 60
2.6.3 不敏卡爾曼濾波器 61
2.6.4 粒子濾波器 64
2.6.5 量測轉(zhuǎn)換卡爾曼濾波器 69
2.6.6 線性化濾波的誤差補償技術 72
2.7 小結(jié) 73
參考文獻 74
第3章 不確定性推理方法 78
3.1 引言 78
3.2 主觀Bayes方法 78
3.2.1 知識不確定性的描述 78
3.2.2 證據(jù)不確定性的描述 81
3.2.3 多個證據(jù)的組合 81
3.2.4 主觀Bayes方法的推理過程 82
3.2.5 主觀Bayes方法的應用舉例 82
3.2.6 主觀Bayes方法的優(yōu)缺點 82
3.3 證據(jù)理論 83
3.3.1 DS理論 83
3.3.2 DSm理論 88
3.4 模糊集理論 96
3.4.1 基礎模型 96
3.4.2 模糊綜合評判 99
3.4.3 模糊集理論的應用舉例 101
3.4.4 證據(jù)理論向模糊集合的推廣 101
3.5 粗糙集理論 103
3.5.1 理論基礎 103
3.5.2 在信息融合中的應用 105
3.5.3 粗糙集理論的應用舉例 106
3.6 小結(jié) 106
參考文獻 107
第4章 多源信息融合功能和結(jié)構(gòu)
模型 110
4.1 信息融合的功能模型 110
4.1.1 信息融合的三級功能模型 110
4.1.2 信息融合的四級功能模型 110
4.1.3 信息融合的五級功能模型 111
4.1.4 信息融合的六級功能模型 111
4.1.5 信息融合的七級功能模型 112
4.2 信息融合系統(tǒng)的結(jié)構(gòu)模型 115
4.2.1 檢測級融合結(jié)構(gòu) 115
4.2.2 位置級融合結(jié)構(gòu) 116
4.2.3 圖像級融合結(jié)構(gòu) 121
4.2.4 識別級融合結(jié)構(gòu) 123
4.3 信息融合典型應用舉例 124
4.3.1 機器人 124
4.3.2 入侵檢測系統(tǒng) 125
4.3.3 智能制造 125
4.3.4 衛(wèi)星遙感 126
4.3.5 決策中心戰(zhàn) 126
4.4 小結(jié) 127
參考文獻 127
第5章 分布式檢測與融合 131
5.1 引言 131
5.2 融合中心的全局判決規(guī)則設計 132
5.2.1 硬判決下的全局判決規(guī)則 132
5.2.2 軟判決下的全局判決規(guī)則 134
5.2.3 帶直接觀測的全局判決規(guī)則 135
5.2.4 異步判決下的全局判決規(guī)則 135
5.2.5 對抗式全局判決規(guī)則 136
5.3 并行結(jié)構(gòu)下的分布式檢測系統(tǒng)
設計 138
5.3.1 局部判決與全局判決規(guī)則
的一般解 139
5.3.2 條件相互獨立情況下的特殊解 140
5.3.3 條件獨立同分布情況下的
特殊解 141
5.3.4 應用舉例 142
5.4 串行結(jié)構(gòu)下的分布式檢測
系統(tǒng)設計 143
5.4.1 兩個傳感器的串行結(jié)構(gòu)網(wǎng)絡 143
5.4.2 多個傳感器的串行結(jié)構(gòu)網(wǎng)絡 144
5.4.3 應用舉例 145
5.5 帶反饋的分布式檢測系統(tǒng)設計 148
5.5.1 有融合中心的帶反饋分布式
檢測系統(tǒng) 148
5.5.2 去中心化的帶反饋分布式
檢測系統(tǒng) 152
5.6 分布式CFAR檢測 153
5.6.1 經(jīng)典的分布式CFAR檢測方法 154
5.6.2 稀疏信號的分布式CFAR檢測 157
5.7 本章小結(jié) 161
參考文獻 162
第6章 集中式多傳感器綜合跟蹤
算法 165
6.1 引言 165
6.2 多傳感器聯(lián)合概率數(shù)據(jù)關聯(lián)算法 166
6.2.1 數(shù)據(jù)關聯(lián)的概念 166
6.2.2 單傳感器聯(lián)合概率數(shù)據(jù)關聯(lián)
算法 166
6.2.3 多傳感器聯(lián)合概率數(shù)據(jù)關聯(lián)
算法 174
6.3 多傳感器多目標跟蹤的廣義S-維
分配算法 178
6.3.1 多傳感器多目標跟蹤的廣義3-維
分配算法 179
6.3.2 多傳感器多目標跟蹤的廣義S-維
分配算法 182
6.4 多傳感器多假設數(shù)據(jù)關聯(lián)算法 188
6.4.1 多假設跟蹤算法的基本模型 188
6.4.2 多傳感器多假設跟蹤算法 190
6.5 多傳感器交互多模型跟蹤算法 192
6.6 多傳感器隨機有限集融合跟蹤
算法 195
6.6.1 隨機有限集基礎 195
6.6.2 單傳感器帶勢概率假設密度
濾波器 199
6.6.3 多傳感器帶勢概率假設密度
濾波器 204
6.7 綜合跟蹤算法性能分析 208
6.7.1 仿真模型 208
6.7.2 仿真結(jié)果 210
6.7.3 分析與討論 213
6.8 小結(jié) 215
參考文獻 216
第7章 分布式多源信息融合中的航跡
關聯(lián)算法 219
7.1 引言 219
7.2 序貫航跡關聯(lián)算法 219
7.2.1 加權航跡關聯(lián)算法 220
7.2.2 修正航跡關聯(lián)算法 221
7.2.3 獨立序貫航跡關聯(lián)算法 221
7.2.4 相關序貫航跡關聯(lián)算法 223
7.2.5 航跡關聯(lián)質(zhì)量設計與多義性
處理 223
7.2.6 航跡關聯(lián)性能度量與算法流程 224
7.2.7 廣義經(jīng)典分配航跡關聯(lián)算法 224
7.2.8 有限和衰減記憶航跡關聯(lián)準則 226
7.3 雙門限航跡關聯(lián)算法 227
7.3.1 統(tǒng)計雙門限航跡關聯(lián)算法 228
7.3.2 模糊雙門限航跡關聯(lián)算法 231
7.4 修正的K近鄰域航跡關聯(lián)算法 235
7.4.1 最近鄰域航跡關聯(lián)算法 235
7.4.2 K近鄰域航跡關聯(lián)算法 237
7.4.3 修正的K近鄰域航跡關聯(lián)算法 237
7.5 基于模糊綜合的航跡關聯(lián)算法 241
7.5.1 基于模糊綜合函數(shù)的航跡
關聯(lián)算法 241
7.5.2 多因素模糊綜合決策航跡
關聯(lián)算法 244
7.6 多局部節(jié)點航跡關聯(lián)算法 247
7.6.1 多局部節(jié)點統(tǒng)計航跡關聯(lián)算法 247
7.6.2 多局部節(jié)點模糊航跡關聯(lián)算法 251
7.7 航跡關聯(lián)算法性能分析 254
7.7.1 實驗條件 254
7.7.2 兩個局部節(jié)點實驗結(jié)果及分析 256
7.7.3 多局部節(jié)點實驗結(jié)果及分析 258
7.7.4 算法綜合性能評價 259
7.8 應用舉例 263
7.8.1 空管自動化系統(tǒng) 263
7.8.2 岸基雷達網(wǎng)綜合監(jiān)控系統(tǒng) 265
7.9 小結(jié) 266
參考文獻 267
第8章 多源信息融合中的狀態(tài)估計 271
8.1 引言 271
8.2 狀態(tài)估計中的數(shù)學模型 271
8.3 集中式信息融合中的狀態(tài)估計 272
8.3.1 擴維濾波 272
8.3.2 序貫濾波 273
8.3.3 數(shù)據(jù)壓縮濾波 274
8.3.4 應用舉例 275
8.4 分布式信息融合中的狀態(tài)估計 276
8.4.1 簡單凸組合融合估計 277
8.4.2 最大似然概率融合估計 278
8.4.3 信息去相關融合估計 281
8.4.4 協(xié)方差交叉融合估計 284
8.4.5 應用舉例 287
8.5 多級式信息融合中的狀態(tài)估計 289
8.5.1 集?分式多級式系統(tǒng)中的
狀態(tài)估計 289
8.5.2 分?分式多級式系統(tǒng)中的
狀態(tài)估計 291
8.6 混合式信息融合中的狀態(tài)估計 293
8.6.1 兩層混合式融合結(jié)構(gòu) 293
8.6.2 三層混合式融合結(jié)構(gòu) 295
8.6.3 應用舉例 296
8.7 帶反饋信息的融合估計 298
8.7.1 帶反饋信息的分布式
融合估計 298
8.7.2 帶反饋信息的多級式
融合估計 300
8.8 小結(jié) 302
參考文獻 303
第9章 異類傳感器的數(shù)據(jù)融合 308
9.1 引言 308
9.2 基于最近鄰的異類傳感器
航跡關聯(lián) 309
9.2.1 問題描述 309
9.2.2 基于角度量測的異類傳感器
航跡關聯(lián) 310
9.2.3 性能分析 310
9.3 基于統(tǒng)計理論的異類傳感器
航跡關聯(lián) 312
9.3.1 航跡關聯(lián)判別函數(shù) 312
9.3.2 關聯(lián)判決規(guī)則 312
9.3.3 航跡關聯(lián)決策門限的確定 313
9.4 基于模糊綜合分析的異類傳感器
航跡關聯(lián) 317
9.4.1 基于模糊綜合分析的關聯(lián)
判別函數(shù) 317
9.4.2 關聯(lián)決策規(guī)則 318
9.4.3 關聯(lián)決策門限的確定 319
9.4.4 實際應用舉例 321
9.5 基于動態(tài)信息的異類傳感器
航跡抗差關聯(lián) 323
9.5.1 目標動態(tài)信息估計與系統(tǒng)
偏差的影響 323
9.5.2 基于分級聚類的航跡抗差
關聯(lián)方法 326
9.5.3 基于CPD的航跡抗差
關聯(lián)方法 327
9.5.4 實際應用舉例 329
9.6 基于最優(yōu)數(shù)據(jù)壓縮的異類
傳感器融合跟蹤 330
9.6.1 最優(yōu)數(shù)據(jù)壓縮 330
9.6.2 融合跟蹤 332
9.6.3 實際應用舉例 334
9.7 基于MSPDAF的異類傳感器
融合跟蹤 334
9.8 基于IMM-MSPDAF的異類
傳感器融合跟蹤 338
9.8.1 方法描述 338
9.8.2 實際應用舉例 343
9.9 小結(jié) 344
參考文獻 345
第10章 圖像融合 348
10.1 引言 348
10.2 圖像融合基礎 350