多源信息融合（第3版）

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(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信息融合的級別
1.2.3通用處理結(jié)構(gòu)
1.3多源信息融合主要技術(shù)和方法
1.4信息融合要解決的幾個關(guān)鍵問題
1.5發(fā)展起源、現(xiàn)狀與未來
1.5.1信息融合發(fā)展的起源與現(xiàn)狀
1.5.2信息融合的未來發(fā)展
1.5.3大數(shù)據(jù)時代對信息融合的挑戰(zhàn)
1.6小結(jié)
參考文獻(xiàn)
第2章統(tǒng)計推斷與估計理論基礎(chǔ)
2.1點估計理論基礎(chǔ)
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
2.1.6PC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(guān)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基于隨機抽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仿真的隨機抽樣
2.5.3Markov Chain Monte Carlo抽樣
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(jié)構(gòu)多模型估計
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章智能計算與識別理論基礎(chǔ)
3.1概述
3.1.1模式識別的一般概念
3.1.2智能學(xué)習(xí)與統(tǒng)計模式識別
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
3.2.5粗糙隸屬度
3.2.6廣義粗集
3.3證據(jù)理論基礎(chǔ)
3.3.1概述
3.3.2mass函數(shù)、信度函數(shù)與似真度函
數(shù)
3.3.3Dempster公式
3.3.4證據(jù)推理
3.3.5證據(jù)理論中的不確定度指標(biāo)
3.3.6證據(jù)理論存在的主要問題與發(fā)展
3.3.7關(guān)于證據(jù)函數(shù)不確定性的研討
3.4隨機集理論基礎(chǔ)
3.4.1一般概念
3.4.2概率模型
3.4.3隨機集的mass函數(shù)模型
3.4.4隨機集與模糊集的轉(zhuǎn)換
3.5隨機有限集概略
3.5.1概述
3.5.2隨機有限集的概念
3.5.3隨機有限集的統(tǒng)計
3.5.4典型RFS（隨機有限集）分布函數(shù)
3.5.5標(biāo)簽RFS
3.5.6隨機有限集的Bayes濾波
3.6統(tǒng)計學(xué)習(xí)理論與支持向量機基礎(chǔ)
3.6.1統(tǒng)計學(xué)習(xí)理論的一般概念
3.6.2學(xué)習(xí)機的VC維與風(fēng)險界
3.6.3線性支持向量機
3.6.4非線性支持向量機
3.6.5用于孤立點發(fā)現(xiàn)的Oneclass 
SVM算法
3.6.6小二乘支持向量機
3.6.7模糊支持向量機
3.6.8小波支持向量機
3.6.9核主成分分析
3.7Bayes網(wǎng)絡(luò)基礎(chǔ)
3.7.1Bayes網(wǎng)絡(luò)的一般概念
3.7.2獨立性假設(shè)
3.7.3一致性概率
3.7.4Bayes網(wǎng)絡(luò)推斷
3.8大數(shù)據(jù)時代的云計算
3.8.1云計算的概念
3.8.2云計算的快速發(fā)展
3.8.3云計算對多源信息融合技術(shù)實現(xiàn)
的影響
3.9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)運動模型 
4.3.1機動目標(biāo)跟蹤的數(shù)學(xué)模型
4.3.2非機動目標(biāo)動態(tài)模型
4.3.3坐標(biāo)不耦合的目標(biāo)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(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(dá)量測和BLUE準(zhǔn)則的目標(biāo)跟
蹤
4.6.1基于BLUE準(zhǔn)則的二維量測轉(zhuǎn)換
4.6.2基于BLUE準(zhǔn)則的三維量測轉(zhuǎn)換
4.7帶Doppler量測的雷達(dá)目標(biāo)跟蹤
4.7.1極坐標(biāo)系中帶Doppler量測的雷達(dá)
目標(biāo)跟蹤
4.7.2球坐標(biāo)系中帶Doppler量測的雷達(dá)
目標(biāo)跟蹤
4.8時間配準(zhǔn)
4.8.1問題描述
4.8.2小二乘時間配準(zhǔn)算法
4.8.3基于B樣條插值的時間配準(zhǔn)算法［
101］
4.8.4自適應(yīng)變長滑窗的時間配準(zhǔn)算法
［100］
4.9空間配準(zhǔn)
4.9.1問題描述
4.9.2常用坐標(biāo)系
4.9.3坐標(biāo)轉(zhuǎn)換
4.9.4空間配準(zhǔn)算法概述
4.9.5二維空間配準(zhǔn)算法
4.9.6精確極大似然空間配準(zhǔn)算法
4.9.7基于地心坐標(biāo)系的空間配準(zhǔn)算法
4.9.8基于位置信息的異步傳感器空間
配準(zhǔn)算法
4.10基于隨機有限集的多目標(biāo)跟蹤概述
4.10.1RFS目標(biāo)運動和量測模型
4.10.2PHD（概率假設(shè)密度）濾波器
4.10.3CPHD（基數(shù)概率假設(shè)密度）濾波
器
4.10.4GMPHD（混合高斯PHD）濾波器
4.10.5CBMeMBer濾波器
4.10.6GLMB(基于廣義標(biāo)簽多伯努利）
濾波器
4.11小結(jié)
參考文獻(xiàn)
第5章檢測融合
5.1概論
5.2并行結(jié)構(gòu)融合系統(tǒng)的分布式檢
測融合算法
5.2.1系統(tǒng)描述
5.2.2分布式檢測的必要條件
5.2.3傳感器觀測獨立條件下的分
布式檢測
5.2.4實例計算
5.3串行結(jié)構(gòu)融合系統(tǒng)的分布式檢
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分布
式檢測的必要條件
5.3.3傳感器觀測獨立條件下的分
布式檢測  
5.3.4實例計算
5.4樹形結(jié)構(gòu)融合系統(tǒng)的分布式檢
測融合算法
5.4.1系統(tǒng)描述
5.4.2結(jié)點觀測獨立條件下分布式
檢測的必要條件
5.4.3結(jié)點觀測獨立條件下的分布
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分
布式檢測
5.6.3傳感器觀測相關(guān)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(jié)
參考文獻(xiàn)
第6章估計融合
6.1估計融合系統(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誤
差相關(guān)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不帶反饋的分布式估計融合
6.3.6帶反饋的分布式估計融合
6.3.7無中心化分布式信息融合
6.4狀態(tài)估計的其他方法
6.4.1后驗概率狀態(tài)估計融合
6.4.2集中式估計的重構(gòu)
6.5協(xié)方差交叉法
6.5.1問題描述
6.5.2相關(guān)程度已知的相關(guān)估計量
融合
6.5.3相關(guān)程度未知的相關(guān)估計量
融合
6.6聯(lián)邦濾波器
6.6.1問題描述
6.6.2方差上界技術(shù)
6.6.3聯(lián)邦濾波器的一般結(jié)構(gòu)
6.6.4聯(lián)邦濾波器的工作流程
6.6.5聯(lián)邦濾波器的性證明
6.6.6聯(lián)邦濾波器的四種結(jié)構(gòu)
6.6.7聯(lián)邦濾波器四種結(jié)構(gòu)的比較
6.6.8聯(lián)邦濾波器的特點
6.6.9聯(lián)邦濾波器的兩種簡化形式
6.7線性估計融合與統(tǒng)一融合規(guī)則
6.7.1問題描述
6.7.2統(tǒng)一線性數(shù)據(jù)模型
6.7.3對于線性數(shù)據(jù)模型的統(tǒng)一融
合規(guī)則
6.7.4一般線性融合規(guī)則
6.8非線性分層融合算法
6.9為什么需要估計融合
6.9.1中心式融合
6.9.2分布式融合
6.10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航跡關(guān)聯(lián)算法： 經(jīng)典方法
7.2.1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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
下機動目標(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
7.6.2兩個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(xué)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(jié)
參考文獻(xiàn)
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(yīng)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(zhǔn)
9.3.1配準(zhǔn)的基本概念
9.3.2配準(zhǔn)需要解決的問題
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(biāo)搜索的融合框架設(shè)計
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圖像跟蹤的一般過程
9.7基于視頻SAR圖像序列的動目標(biāo)陰影
聯(lián)合監(jiān)測與跟蹤
9.7.1多個弱小機動目標(biāo)聯(lián)合檢測與跟
蹤
9.7.2時變數(shù)目動目標(biāo)聯(lián)合檢測與跟蹤
9.7.3該項研究的創(chuàng)新點
9.8圖像融合的評價標(biāo)準(zhǔn)
9.8.1主觀評價標(biāo)準(zhǔn)
9.8.2客觀評價標(biāo)準(zhǔn)
9.9小結(jié)
參考文獻(xiàn)
第10章異類融合
10.1概述
10.2基于雷達(dá)檢測與紅外檢測融合處理
的目標(biāo)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(biāo)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(biāo)跟蹤
10.4.5融合與跟蹤結(jié)果
10.5共同雜波環(huán)境中基于異類信息的多
傳感誤差傳遞與校正
10.5.1概述
10.5.2問題描述與基本原理
10.5.3目標(biāo)1量測數(shù)據(jù)的誤差標(biāo)定與分
離算法
10.5.4從目標(biāo)1量測數(shù)據(jù)到目標(biāo)2量測數(shù)
據(jù)的誤差傳遞算法
10.5.5目標(biāo)2量測數(shù)據(jù)的誤差校正算法
10.6多源異類信息融合的一般方法論探
討
10.6.1多源異類信息融合的一般概念
10.6.2多源異類信息融合的基本思路
10.6.3多源異類信息融合的方法論探討
10.7多源異類信息融合的傳感器管理
10.7.1傳感器管理的定義及問題描述
10.7.2傳感器管理方法的起源與發(fā)展
10.7.3傳感器管理方法研究現(xiàn)狀
10.7.4基于目標(biāo)威脅度的傳感器管理方
法研究
10.8小結(jié)
參考文獻(xiàn)
第11章智能交通與智能車輛的信息融合
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智能交通的主要研究方向
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(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(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)的證據(jù)理論
實現(xiàn)
11.5.3仿真示例
11.6小結(jié)
參考文獻(xiàn)
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(yīng)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進(jìn)化算法
12.5.6多智能體理論
12.6小結(jié)
參考文獻(xiàn)