多传感器数据融合PDF电子书下载

第1章 现代情报和安全问题对信息融合技术的能力挑战 1

1.1支持信息的异质性 3

1.1.1观测数据 3

1.1.2开源和社会媒体数据 3

1.1.3上下文数据 3

1.1.4本体数据 5

1.1.5习得信息 5

1.2公共参考和数据关联 6

1.3语义学 7

1.4图形表示和方法 8

1.5总体系统架构和分析框架 9

1.6能力短板和研究需要 12

1.7结论 13

致谢 13

参考文献 13

第2章 传感器数据融合：以数据为中心的先进算法回顾和新兴趋势概述 17

2.1简介 19

2.2多传感器数据融合 19

2.2.1多传感器数据融合是什么 19

2.2.2多传感器数据融合的应用 20

2.3以数据为中心的多传感器数据融合分类方法 21

2.3.1缺陷数据的融合 23

2.3.2相关数据的融合 24

2.3.3非一致性数据的融合 24

2.3.4分散数据的融合 26

2.4数据融合系统的评估 26

2.5多传感器发展的新方向 28

2.5.1社交数据融合 28

2.5.2机会数据融合 28

2.5.3适应性融合和学习 29

2.5.4数据可靠性和信度 29

2.5.5云计算和大数据融合技术中的数据融合 30

2.5.6数据流的融合 30

2.5.7低级与高级数据融合 31

2.5.8JDL模型的演变 31

2.6结论 31

参考文献 32

第3章 信息融合理论的应用 41

3.1引言 43

3.1.1军事系统数据融合的相关问题 43

3.1.2数据融合的主要功能 43

3.1.3信息质量的重要性 44

3.1.4信息质量类型 44

3.2数据融合理论 45

3.2.1可信性质量分配 46

3.2.2概率 47

3.2.3可能性-必然性 47

3.2.4信度-似真度 48

3.3性能比较 49

3.3.1非相加性的综合作用 50

3.3.2不确定的信度和可靠性 51

3.3.3性能比较的结论 52

3.4实验 53

3.4.1客观不确定性实验 53

3.4.2主观不确定性实验 55

3.5冲突测量时的加权决策 57

3.6结论 59

参考文献 59

第4章 面向信息管理企业的JDL模型（Ⅲ）改进 61

4.1引言 63

4.2信息融合处理模型 64

4.3信息管理企业 68

4.3.1企业中的信息融合建模 68

4.3.2信息管理模型 70

4.3.3云的分层视图 71

4.3.4上下文的系统级管理 72

4.4机器分析 73

4.4.1建模分析 73

4.4.2数据融合分析 75

4.5用户参与 76

4.6信息利用分析 77

4.6.1使用物理和人为数据的上下文跟踪 77

4.6.2信息管理上下文跟踪 78

4.7结论 80

致谢 81

参考文献 81

第5章 随机集信息融合基础 85

5.1引言 87

5.2有限集统计方法 88

5.3单传感器单目标系统 89

5.3.1单传感器/目标系统：递归贝叶斯滤波 89

5.3.2单传感器/单目标系统：矩近似 90

5.3.3单传感器/目标系统：目标建模 90

5.3.4单传感器/目标系统：传感器建模 91

5.3.5单传感器/目标系统：“真实”马尔科夫密度和似然 92

5.4多传感器多目标系统 92

5.4.1多传感器多目标系统：随机有限集 92

5.4.2多传感器多目标系统：RFS的概率分布 92

5.4.3多传感器多目标系统：多传感器多目标贝叶斯滤波器 93

5.4.4多传感器多目标系统：多目标运动建模 94

5.4.5多传感器多目标系统：多目标量测建模 95

5.4.6多传感器多目标系统：用于建模的多目标微积分 95

5.5原则性近似多目标滤波器 96

5.5.1泊松近似：PHD滤波器 96

5.5.2独立同分布群近似：CPHD过滤器 97

5.5.3多伯努利近似：多伯努利滤波器与GLMB滤波器 97

5.6有限集统计近似方法论 98

5.7结论 98

参考文献 98

第6章 带过程噪声的动态系统最优融合 101

6.1引言 103

6.2分布式估计问题 104

6.2.1状态模型和量测模型 104

6.2.2集中式融合 105

6.2.3分布式估计结构 105

6.3非线性系统的最优融合 107

6.3.1贝叶斯分布式融合方程 107

6.3.2具有确定性动态的非线性系统贝叶斯融合 107

6.3.3不确定性动态的贝叶斯融合 108

6.4带过程噪声的线性系统最优融合 109

6.4.1高斯随机向量的贝叶斯分布式融合 109

6.4.2标准的航迹段或等价检报融合 110

6.4.3基于增广状态的tracklet融合 111

6.5带过程噪声线性系统的其他融合方法 112

6.5.1最大似然互协方差融合 112

6.5.2最小方差（MV）融合 113

6.5.3分布式卡尔曼滤波器 114

6.5.4基于累积状态密度（ASD）的航迹融合 115

6.6性能评估 116

6.6.1目标模型和量测模型 116

6.6.2性能结果 116

6.7结论 118

附录 118

参考文献 119

第7章 数据融合的模糊多判据方法 123

7.1引言 125

7.2数据融合概述 125

7.2.1数据融合主要类型 125

7.2.2现有模型 127

7.3FIF算法 130

7.3.1背景与范围 130

7.3.2FIF结构 131

7.4示例应用 134

7.4.1IPSIS——避险安全着陆 134

7.4.2ILUV无人机着陆点选择 137

7.5结论 140

致谢 140

参考文献 140

第8章 异类传感器的分布式检测和数据融合 145

8.1概述 147

8.2分布式检测理论基础 148

8.2.1条件独立检测 149

8.2.2相关观测 150

8.3异类传感器的分布式检测 151

8.3.1异类数据的建模 152

8.3.2基于（错误）GLRT的融合准则 156

8.3.3计算有效的融合规则 158

8.3.4例子 162

8.4结论 164

致谢 165

参考文献 165

第9章 基于信息质量的融合系统评估 169

9.1引言 171

9.2数据和信息质量 171

9.2.1信息质量：综述 171

9.2.2融合系统中的数据和信息 174

9.3信息质量评估方法 175

9.3.1系统分解：局部质量 175

9.3.2质量传递函数 176

9.3.3信息融合系统评估 178

9.4结论和观点 180

参考文献 180

第10章 传感器故障鲁棒融合 183

10.1引言 185

10.2传感器和传感器故障模型 186

10.3最小贝叶斯风险融合 187

10.4顾及传感器失效的最小叶贝斯风险融合 187

10.4.1已知的传感器特征 187

10.4.2未知的传感器特征 189

10.5数值实验 190

10.5.1示例：独立故障和已知特征 190

10.5.2示例：相关故障与未知特征 190

10.5.3RSVP-键盘 192

10.6传感器特征在线学习 193

10.7结论 195

参考文献 195

第11章 多传感器卡尔曼滤波和数据融合中相关信息的处理 197

11.1引言 199

11.1.1预备知识 199

11.2组网系统中的状态估计 200

11.2.1卡尔曼滤波 200

11.2.2多传感器系统和网络 201

11.3相关性信息的来源 201

11.3.1常见传感器数据的重复计算 202

11.3.2共同先验信息和过程噪声 202

11.3.3组网状态估计策略 203

11.4集中式多传感器状态估计 204

11.4.1多传感器卡尔曼滤波 204

11.4.2信息滤波 205

11.5协同分布式状态估计 206

11.5.1联邦卡尔曼滤波 207

11.5.2最优分布式卡尔曼滤波 209

11.5.3假设卡尔曼滤波 211

11.5.4一致性卡尔曼滤波 212

11.6分散式状态估计与数据融合 213

11.6.1最优融合 214

11.6.2椭球交叉 215

11.6.3协方差交叉 216

11.7结论 217

参考文献 218

第12章 容积信息滤波器——多传感器融合理论与应用 221

12.1引言 223

12.2信息滤波：简要回顾 223

12.2.1信息融合 224

12.3平方根容积信息滤波器 225

12.3.1时间更新 225

12.3.2量测更新 226

12.4应用 229

12.4.1带反馈的分布式传感器网络的机动目标跟踪 229

12.4.2两相永磁同步电机的速度和转子位置估计 232

12.5结论 233

参考文献 234

第13章 线性等式约束系统的估计融合 235

13.1引言 237

13.2问题描述 238

13.3约束的集中式融合 239

13.3.1伪量测方法 239

13.3.2投影方法 240

13.3.3零空间方法 241

13.3.4直接消除法 242

13.4约束的分布式融合 244

13.5举例和讨论 245

13.6结论 248

参考文献 248

第14章 基于容积卡尔曼滤波器的异步多传感器非线性信息融合算法 251

14.1引言 253

14.2背景 253

14.2.1多传感器信息融合 253

14.2.2容积滤波器的解 255

14.3基于CKF的异步多传感器非线性信息融合算法 256

14.4仿真结果 258

14.5结论 260

参考文献 260

第15章 多传感器概率假设密度滤波器解析实现 263

15.1引言 265

15.2问题提出 266

15.3MS-PHD校正 267

15.4线性高斯模型下高斯混合MS-PHD校正 269

15.4.1基本假设 269

15.4.2主要结论总结 270

15.5有效的二元分划 273

15.6仿真结果 275

15.7结论 278

致谢 278

参考文献 278

第16章 带乘性噪声的多传感器多速率系统信息融合估计 281

16.1介绍 283

16.2问题描述 284

16.3集中式融合滤波 285

16.4分布式融合滤波 287

16.4.1系统转换 288

16.4.2局部状态估计 289

16.4.3互协方差矩阵的计算 289

16.4.4矩阵加权分布式融合估计 290

16.5仿真 291

16.6结论 293

致谢 293

参考文献 293

第17章 滤波误差和量测噪声协方差奇异时的最优分布式卡尔曼滤波融合 297

17.1介绍 299

17.2问题模型 301

17.3具有奇异滤波误差协方差的分布式卡尔曼滤波融合 303

17.4当滤波误差的协方差奇异时，反馈卡尔曼滤波融合的最优特性 305

17.5滤波误差和量测噪声协方差奇异时的最优卡尔曼滤波融合 306

17.6数值算例 308

17.7结论 312

附录Ⅰ 312

附录Ⅱ 317

参考文献 320

第18章 累计状态密度及其在目标跟踪中的应用 323

18.1简介 325

18.2跟踪目标问题 325

18.3贝叶斯跟踪范式 326

18.4累计状态密度（ASD）的概念 328

18.4.1ASD的通用表达 328

18.4.2MHT/IMM滤波中的ASD 331

18.5ASD和失序测量 334

18.5.1修正的卡尔曼更新步骤 336

18.5.2计算成本 336

18.5.3仿真例子的讨论 337

18.6ASD和数据扩增方法 339

18.6.1期望和最大化步骤 340

18.6.2ASD和Q函数 342

18.7分布ASD融合 343

18.7.1DASD滤波器应用 346

18.7.2滑动窗口机制 347

18.7.3数值评估 348

附录 349

18A.1同变量高斯的乘积公式 349

18A.2线性条件高斯的乘积公式 350

18A.3块矩阵的逆 350

18A.4高斯ASD：证明的细节 350

参考文献 353

第19章 基于信任函数的多传感器多目标分类解决方案 355

19.1概述 357

19.2信任函数理论基础 357

19.2.1知识表示 358

19.2.2知识组合 358

19.2.3决策 359

19.2.4广义贝叶斯理论 359

19.3局部跟踪方法 359

19.3.1目标模型的演变 359

19.3.2局部跟踪算法 360

19.4局部分类 360

19.4.1行为似然计算 360

19.4.2贝叶斯分类器 361

19.4.3Credal分类器 361

19.5全局分类 362

19.5.1航迹与航迹关联 362

19.5.2局部分类融合 364

19.6海上目标仿真实例 364

19.6.1描述 364

19.6.2仿真和结果 366

19.6.3分配仿真 366

19.6.4局部分类结果 367

19.6.5全局分类结果 370

19.7结论 371

参考文献 372

第20章 认知无线传感器网络中的决策融合 375

20.1介绍 377

20.2系统模型 378

20.3单节点场景 380

20.4网络场景 382

20.4.1无通信噪声且未编码的场景 382

20.4.2具有通信噪声的编码场景 385

20.5数值结果 386

20.5.1未编码场景 387

20.5.2编码场景 388

20.6结论 389

参考文献 389

第21章 代理意见间形成一致性的动态 391

21.1引言 393

21.2初步基础 394

21.2.1图论概念 395

21.2.2DS框架 395

21.2.3仿缩算子 397

21.3代理意见及其交互 398

21.3.1代理状态更新 399

21.3.2意见和信任修订建模 401

21.3.3代理交互建模 403

21.4一致性形成的动态 404

21.4.1一致性概念 404

21.4.2一致性仿缩算子 405

21.4.3达成一致性 406

21.5结论 410

参考文献 410

第22章 非高斯不确定性网络中分布式贝叶斯融合 413

22.1引言 415

22.2最优贝叶斯分布式数据融合 416

22.2.1本地数据融合 416

22.2.2本地和远程数据融合 417

22.2.3贝叶斯分布式数据融合 417

22.3非高斯分布近似分布式数据融合 418

22.3.1应用1：分布式地形定位 418

22.4传统分布式数据融合 423

22.4.1传统分布式数据融合算法的描述 423

22.4.2传统分布式数据融合规则 424

22.4.3加权函数的最优化 424

22.5传统非高斯分布分布式数据融合 425

22.5.1应用2：AD HOC网络中的目标搜索 425

22.5.2WEP融合分布的高斯混合近似 429

22.6结论和研究方向 433

22.6.1随机有限集模型的分布式融合 434

22.6.2因数分解概率信心模型的分布式融合 434

22.6.3贝叶斯非参数模型分布式融合 435

参考文献 435

第23章 网络物理系统的进攻——复原传感器融合 439

23.1引言 441

23.2基本概念 442

23.2.1传感器模型 442

23.2.2融合算法 443

23.3调度量测传输 444

23.4使用系统力学和量测历史 447

23.4.1扩展传感器融合算法 448

23.4.2系统动态性介绍 448

23.5结论 453

参考文献 453

第24章 基于证据理论的多传感器数据融合水质量评估 455

24.1引言 457

24.2基于DS证据理论的水质量评估 458

24.2.1DS证据理论 458

24.2.2水质量评估 459

24.3实验和结论 462

24.4结论 465

参考文献 465

第25章 再生式生命保障系统颗粒传感器融合方法 467

25.1引言 469

25.1.1再生式生命保障系统的背景 469

25.1.2再生式生命保障系统面临的挑战 470

25.1.3再生式生命保障系统的传感器融合 471

25.2自动化系统的颗粒化方法 472

25.2.1基于模糊关联存储代理框架 472

25.2.2栖息地模型的应用 474

25.2.3粒状方法的结果 475

25.3面向情境的人类自动化系统方法 478

25.3.1颗粒多传感器数据融合方法 478

25.3.2关于水生环境模型的数值例子 483

25.4结论和未来的发展方向 484

参考文献 485

第26章 图像融合性能评估：从指标到认知 489

26.1引言 491

26.2图像融合性能评估 492

26.2.1图像融合：作用与过程 492

26.2.2客观融合指标 494

26.2.3主观评估 503

26.2.4自然图像解译度分级标准 505

26.2.5融合性能评估数据的统计分析 508

26.3夜间融合图像评估 511

26.3.1客观评估实验 511

26.3.2客观与主观评估结果的统计分析实验 516

26.4结论 521

参考文献 522

第27章 医学图像的特征与数据融合综述 525

27.1引言 527

27.2特征级医学图像融合方法 527

27.2.1数学形态学算子与滤波器 528

27.2.2基于小波的特征融合 528

27.2.3基于小波混合特征融合 529

27.2.4成分分析技术 529

27.2.5基于变换的方法 529

27.3医学成像中的数据融合方法 530

27.3.1数据融合方法的背景知识 530

27.3.2人工神经网络在数据融合中的应用 530

27.3.3基于混合人工神经网络的数据融合 530

27.3.4模糊逻辑数据融合 530

27.3.5基于混合模糊逻辑的数据融合 531

27.3.6基于SVM分类器的方法 531

27.3.7基于混合SVM分类器的方法 531

27.4讨论和结论 531

参考文献 532

第28章 多传感器数据融合结构设计以及在体育运动评估中的应用 549

28.1简介 551

28.1.1体育运动评估中的融合 551

28.1.2架构 551

28.1.3融合策略 551

28.2传感器数据表示 552

28.2.1体育运动测量传感器 552

28.2.2特征提取 553

28.2.3特征选取 554

28.3数据融合算法 554

28.3.1候选特征介绍 554

28.3.2例子：SVM 555

28.3.3融合策略的比较 557

28.4结论 558

参考文献 558

第29章 从理论到飞行测试：弹头姿态估计中的数据融合 563

29.1弹头轨迹及特征 565

29.1.1姿态估计发展概况 565

29.1.2为什么不能使用经典惯性测量装置 565

29.2姿态估计中的数据融合 566

29.2.1概念 566

29.2.2嵌入式传感器 566

29.3弹头行为建模 567

29.3.1理论和公式 567

29.3.2用于实时估计的模型仿真 568

29.4估计仿真结果 569

29.4.1仿真方法描述 570

29.4.2仿真结果 570

29.5场内实验 572

29.5.1实验描述 572

29.5.2场内实验结果 573

29.6飞行实验 574

29.6.1飞行过程中转动角实时估计 574

29.6.2姿态角实时估计 576

29.7结论 578

参考文献 578

第30章 数据融合在远程健康与自动诊断中的应用 579

30.1引言 581

30.2家居智能（HIS）：从室内传感器到行为分析 581

30.2.1引言和最新进展 581

30.2.2情景感知智能家居的挑战 583

30.2.3HIS平台 584

30.3智能手机数据分析和解释 587

30.3.1最新进展 587

30.3.2智能手机设置和角度数据计算 588

30.3.3一个用于个人平衡能力评估、监测和训练的完整系统 589

30.4结论 591

致谢 591

参考文献 592

第31章 汽车系统传感器数据融合 597

31.1介绍 599

31.2汽车传感器 600

31.3传感器数据融合 604

31.4结论 611

参考文献 612

第32章 智能交通运输工程中的数据融合近期发展与挑战 613

32.1引言 615

32.2传感器和数据融合的历史发展 615

32.3传感器与数据融合是智能运输系统工程的有机组成 618

32.4适合于智能运输系统的传感器和数据融合体系结构 619

32.4.1传感器级融合 620

32.4.2中心级融合 620

32.4.3混合式融合 622

32.4.4像素级融合 623

32.4.5特征级融合 623

32.4.6决策级融合 623

32.5其他融合模型与体系结构 623

32.5.1元体系结构 624

32.5.2算法体系结构 624

32.5.3概念体系结构 624

32.5.4逻辑体系结构 624

32.5.5运行结构 625

32.5.6基于传感器计算描述的融合 625

32.6智能交通运输系统中数据融合的机遇与挑战 625

32.6.1智能交通运输系统应用的数据融合算法 627

32.6.2人工神经网络 628

32.6.3模糊逻辑 628

32.6.4基于知识的专家系统 628

32.6.5卡尔曼滤波与非线性运动仿真技术 629

32.7智能运输系统数据融合的应用策略与实例 630

32.7.1高级运输管理系统 630

32.7.2自动事件检测 631

32.7.3网络控制 632

32.7.4高级旅客信息系统 632

32.7.5高级驾驶助手 634

32.7.6事故分析与预防 635

32.7.7交通需求预测 635

32.7.8交通预测和交通监控 636

32.7.9精确位置估计 636

32.8数据融合算法选择 638

32.9数据融合问题研究的新需求 642

32.9.1融合系统输入数据质量的可靠性和可信性 642

32.9.2基于性能度量评估融合系统性能 642

32.9.3真值 643

32.9.4商业操作系统与数据库管理系统的适用性 643

32.9.5基于最坏场景的设计 643

32.10结论和展望 643

参考文献 644

第33章 多传感器数据融合在交通拥堵分析中的应用 651

33.1引言和背景 653

33.2模型方法 655

33.2.1模型公式 655

33.2.2交通流模型 657

33.3卡尔曼滤波估计 659

33.4路段研究和数据收集 661

33.4.1路段研究 661

33.4.2数据收集 661

33.5估计方法的实现和评估 663

33.6结论 664

参考文献 665

第34章 一致性分布式扩展卡尔曼滤波器的大规模高速公路网状态估计 669

34.1引言 671

34.2LWR交通流模型的Godunov方案 672

34.3用于状态和输入同时估计的EKF 673

34.4一致性分布式EKF滤波 675

34.5实验研究 676

34.6结论 679

致谢 680

参考文献 680