内容简介

本专著介绍了多源信息融合的基本概念以及多源信息融合理论赖以发展的基础理论,如统计推断与估计理论基础、智能计算与识别理论基础等;还介绍了目标跟踪理论、检测融合、估计融合、数据关联、异步信息融合和异类信息融合;也介绍了图像融合是遥感图像融合,智能交通中的信息融合,以及态势评估与威胁估计等内容。此外,本专著对大数据时代信息融合新的发展做了修订和补充。 本专著的特点是理论体系完整,材料取舍适当,适合从事多源信息融合理论研究和工程应用的专业技术人员参考,也可作为大学本科高年级学生、研究生是博士研究生的参考读物。

目录

目录第1章绪论1.1多源信息融合的一般概念与定义1.1.1定义1.1.2多源信息融合的优势1.1.3应用领域1.2信息融合系统的模型和结构1.2.能模型1.2.2信息融合的级别1.2.3通用处理结构1.3多源信息融合主要技术和方法1.4信息融合要解决的几个关键问题1.5发展起源、现状与未来1.5.1信息融合发展的起源与现状1.5.2信息融合的未来发展1.5.3大数据时代对信息融合的挑战1.6小结参考文献第2章统计推断与估计理论基础2.1点估计理论基础2.1.1一般概念2.1.2Bayes点估计理论2.1.3BLUE估计2.1.4WLS估计2.1.5ML估计2.1.6PC估计2.1.7RLS估计与LMS估计2.2期望极大化(EM)方法2.2.1概述2.2.2EM算法描述2.2.3混合Gauss参数估计的EM算法实例2.3线动态系统的滤波理论与算法2.3.1离散时间线系统状态估计问题的一般描述2.3.2基本Kalman滤波器2.3.3信息滤波器2.3.4噪声相关的Kalman滤波器2.4非线动态系统的滤波理论与算法2.4.1扩展Kalman滤波器(EKF)2.4.2UKF滤波2.4.3Bayes滤波2.5基于抽样的过程估计理论与算法2.5.1传统Bayes估计面临的挑战与解决的新思路2.5.2Monte Carlo仿真的抽样2.5.3Markov Chain Monte Carlo抽样2.5.4粒子滤波的一般方法2.6混合系统状态估计理论2.6.1一般描述2.6.2多模型方法简述2.6.3定结构多模型估计2.6.4交互式多模型算法2.6.5变结构多模型(VSMM)算法概述2.7小结参考文献第3章智能计算与识别理论基础3.1概述3.1.1模式识别的一般概念3.1.2智能学习与统计模式识别3.2粗糙集理论基础3.2.1信息系统的一般概念3.2.2决策系统的不可分辨3.2.3集似3.2.4属约简3.2.5粗糙隶属度3.2.6广义粗集3.3证据理论基础3.3.1概述3.3.2mass函数、信度函数与似真度函数3.3.3Dempster公式3.3.4证据推理3.3.5证据理论中的不确定度指标3.3.6证据理论存在的主要问题与发展3.3.7关于证据函数不确定的研讨3.4集理论基础3.4.1一般概念3.4.2概率模型3.4.3集的mass函数模型3.4.4集与模糊集的转换3.5有限集概略3.5.1概述3.5.2有限集的概念3.5.3有限集的统计3.5.4典型RFS(有限集)分布函数3.5.5标签RFS3.5.6有限集的Bayes滤波3.6统计学习理论与支持向量机基础3.6.1统计学一般概念3.6.2学VC维与风险界3.6.3线支持向量机3.6.4非线支持向量机3.6.5用于孤立点发现的Oneclass SVM算法3.6.6小二乘支持向量机3.6.7模糊支持向量机3.6.8小波支持向量机3.6.9核主成分分析3.7Bayes网络基础3.7.1Bayes网络的一般概念3.7.2独立假设3.7.3一致概率3.7.4Bayes网络推断3.8大数据时代的云计算3.8.1云计算的概念3.8.2云计算的快速发展3.8.3云计算对多源信息融合技术实现的影响3.9小结参考文献第4章目标跟踪4.1基本概念与原理4.2跟踪门4.2.1滤波残差4.2.2矩形跟踪门4.2.3椭球跟踪门4.2.4其他跟踪门4.3目标运动模型 4.3.1机动目标跟踪的数学模型4.3.2非机动目标动态模型4.3.3坐标不耦合的目标机动模型4.3.4二维水平运动模型4.3.5三维模型4.4量测模型 4.4.1传感器坐标模型4.4.2在各种坐标系中的跟踪4.4.3混合坐标系的线化模型4.4.4笛卡儿坐标系下的模型4.5雷达量测转换4.5.1二维去偏量测转换4.5.2三维去偏量测转换4.5.3无偏量测转换4.5.4修正的无偏量测转换4.6基于雷达量测和BLUE准则的目标跟踪4.6.1基于BLUE准则的二维量测转换4.6.2基于BLUE准则的三维量测转换4.7带Doppler量测的雷达目标跟踪4.7.1极坐标系中带Doppler量测的雷达目标跟踪4.7.2球坐标系中带Doppler量测的雷达目标跟踪4.8时间配准4.8.1问题描述4.8.2小二乘时间配准算法4.8.3基于B样条插值的时间配准算法［101］4.8.4自适应变长滑窗的时间配准算法［100］4.9空间配准4.9.1问题描述4.9.2常用坐标系4.9.3坐标转换4.9.4空间配准算法概述4.9.5二维空间配准算法4.9.6极大似然空间配准算法4.9.7基于地心坐标系的空间配准算法4.9.8基于位置信息的异步传感器空间配准算法4.10基于有限集的多目标跟踪概述4.10.1RFS目标运动和量测模型4.10.2PHD(概率假设密度)滤波器4.10.3CPHD(基数概率假设密度)滤波器4.10.4GMPHD(混合高斯PHD)滤波器4.10.5CBMeMBer滤波器4.10.6GLMB(基于广义标签多伯努利)滤波器4.11小结参考文献第5章检测融合5.1概论5.2并行结构融合系统的优分布式检测融合算法5.2.1系统描述5.2.2优分布式检测的必要条件5.2.3传感器观测独立条件下的优分布式检测5.2.4实例计算5.3串行结构融合系统的优分布式检测融合算法5.3.1系统描述5.3.2传感器观测独立条件下优分布式检测的必要条件5.3.3传感器观测独立条件下的优分布式检测 5.3.4实例计算5.4树形结构融合系统的优分布式检测融合算法5.4.1系统描述5.4.2结点观测独立条件下优分布式检测的必要条件5.4.3结点观测独立条件下的优分布式检测5.4.4实例计算5.5分布式量化检测系统5.5.1系统描述5.5.2优分布式量化检测的必要条件5.5.3传感器观测独立条件下的优分布式量化检测5.5.4实例计算5.6分布式NP检测融合系统5.6.1优分布式量化检测的必要条件5.6.2传感器观测独立条件下的优分布式检测5.6.3传感器观测相关条件下的次优分布式检测5.6.4分布式硬决策NP检测融合系统 5.6.5实例计算5.7小结参考文献第6章估计融合6.1估计融合系统结构6.2集中式融合系统6.2.1并行滤波6.2.2序贯滤波6.2.3数据压缩滤波6.3分布式融合系统6.3.1分布式融合结构6.3.2航迹融合中各传感器局部估计误差相关的原因6.3.3简单凸组合融合算法6.3.4BarShalomCampo融合算法6.3.5不带反馈的优分布式估计融合6.3.6带反馈的优分布式估计融合6.3.7无中心化分布式信息融合6.4状态估计的其他方法6.4.1大后验概率状态估计融合6.4.2优集中式估计的重构6.5协方差交r/>6.5.1问题描述6.5.2相关程度已知的相关估计量优融合6.5.3相关程度未知的相关估计量优融合6.6联邦滤波器6.6.1问题描述6.6.2方差上界技术6.6.3联邦滤波器的一般结构6.6.4联邦滤波器的工作流程6.6.5联邦滤波器的优证明6.6.6联邦滤波器的四种结构6.6.7联邦滤波器四种结构的比较6.6.8联邦滤波器的特点6.6.9联邦滤波器的两种简化形式6.7优线估计融合与统一融合规则6.7.1问题描述6.7.2统一线数据模型6.7.3对于线数据模型的统一优融合规则6.7.4一般优线融合规则6.8非线分层融合算法6.9为什么需要估计融合6.9.1中心式融合6.9.2分布式融合6.10小结参考文献第7章数据关联7.1引言7.2量测航迹关联算法： 经典方法7.2.1邻方法7.2.2概率数据关联7.2.3交互式多模型概率数据关联7.2.4联合概率数据关联7.2.5多传感联合概率数据关联7.3量测航迹关联的其他方法7.3.1基于粒子滤波的联合概率数据关联7.3.2多假设方法7.3.3概率多假设方法7.3.4基于期望极大化算法的杂波环境下机动目标跟踪7.4集中式多传感多目标跟踪的广义S维分配算法7.5多目标跟踪起始与跟踪终止算法7.5.1跟踪起始方法7.5.2跟踪终止方法7.5.3基于目标可感知的决策方法7.6分布式航迹关联7.6.1基本符号7.6.2两个传感器之间的航迹关联7.6.3多传感器之间的航迹关联7.7小结参考文献第8章异步融合8.1异步融合的一般概念8.2顺序量测异步融合8.2.1问题描述8.2.2顺序量测异步融合算法8.3单个非顺序量测异步融合问题8.3.1非顺序量测问题产生的原因8.3.2非顺序量测问题的数学描述8.3.3非顺序量测问题的主要处理算法8.3.4直接更新法的通解8.4单个非顺序量测一步滞后滤波8.4.1A1算法8.4.2B1算法8.4.3C1算法8.4.4各种算法比较8.5单个非顺序量测多步滞后滤波8.5.1Bl算法8.5.2Al1与Bl1算法8.5.3Zl算法8.6多OOSM多步滞后滤波8.7小结参考文献第9章图像融合9.1图像融合概述9.1.1图像融合的一般概念9.1.2图像融合的发展9.1.3图像融合的简单应用实例9.2图像融合的分类9.2.1像素级图像融合9.2.2图像融合9.2.3决策级图像融合9.2.4三个图像融合层次的能比较9.3图像配准9.3.1配准的基本概念9.3.2配准需要解决的问题9.3.3配准算法9.3.4变换模型及配准参数估计方法9.3.5图像的重采样和变换9.4图像融合算法9.4.1简单图像融合算法9.4.2基于金字塔分解的图像融合算法9.4.3基于小波变换的图像融合算法9.4.4其他图像融合算法9.5遥感图像融合9.5.1遥感图像融合概述9.5.2遥感图像数据融合的基本框架9.5.3基于粗糙集的特征选择与多源遥感图像融合分类9.5.4用于目标搜索的融合框架设计9.6基于图像融合的目标跟踪9.6.1图像跟踪的一般理论9.6.2图像跟踪的工程算法9.6.3图像跟踪的一般过程9.7基于SAR图像序列的动目标阴影联合监测与跟踪9.7.1多个弱小机动目标联合检测与跟踪9.7.2时变数目动目标联合检测与跟踪9.7.3该项研究的创新点9.8图像融合的评价标准9.8.1主观评价标准9.8.2客观评价标准9.9小结参考文献第10章异类融合10.1概述10.2基于雷达检测与红外检测融合处理的目标跟踪10.2.1问题概述10.2.2算法描述10.3基于音频和特征融合的身份识别10.3.1问题概述10.3.2音频特征提取10.3.3特征提取10.3.4分类10.3.5多形态融合10.4杂波环境中基于异类信息融合的目标跟踪10.4.1问题描述10.4.2概率生成模型10.4.3对于音频数据的一个概率生成模型10.4.4基于音频数据融合的参数估计与目标跟踪10.4.5融合与跟踪结果10.5共同杂波环境中基于异类信息的多传感误差传递与校正10.5.1概述10.5.2问题描述与基本原理10.5.3目标1量测数据的误差标定与分离算法10.5.4从目标1量测数据到目标2量测数据的误差传递算法10.5.5目标2量测数据的误差校正算法10.6多源异类信息融合的一般方法论探讨10.6.1多源异类信息融合的一般概念10.6.2多源异类信息融合的基本思路10.6.3多源异类信息融合的方法论探讨10.7多源异类信息融合的传感器管理10.7.1传感器管理的定义及问题描述10.7.2传感器管理方法的起源与发展10.7.3传感器管理方法研究现状10.7.4基于目标威胁度的传感器管理方法研究10.8小结参考文献第11章智能交通与智能车辆的信息融合11.1智能交通系统概述11.1.1一般概念11.1.2发展过程11.1.3智能交通的主要研究方向11.1.4我国ITS发展现状11.1.5智能交通系统的发展方向11.2智能车辆系统概述11.2.1主要研究内容11.2.2研究与应用现状11.2.3多传感技术应用11.3基于多传感信息融合的路径规划与自动导航11.3.1基于多传感信息融合的路径规划11.3.2基于多传感信息融合的自动导航11.4智能车辆系统的障碍规避与防碰撞11.4.1智能车辆防碰撞系统的研究内容11.4.2智能车辆防碰撞系统的组成11.4.3自适应巡航控制系统的关键技术11.4.4当前存在的问题11.5基于证据推理的多传感器信息融合的道路车辆跟踪11.5.1引言11.5.2车载传感器数据关联的证据理论实现11.5.3仿真示例11.6小结参考文献第12章态势评估和威胁估计12.1前言12.2决策级融合中的态势评估12.2.1态势的概念12.2.2现代战争中的态势评估12.2.3基于战争环境的威胁估计12.3态势评估的实现12.3.1态势评估的特点12.3.2态势评估过程12.3.3态势评估的事后分析12.4一个简单的应用实例12.4.1问题描述12.4.2系统建模12.5常用的态势评估方法12.5.1推理理论12.5.2模糊集理论12.5.3专家系统方法12.5.4黑板模型12.5.5进化算法12.5.6多智能体理论12.6小结参考文献