多源信息融合理论及应用PDF电子书下载

第1章 绪论 1

1.1多源信息融合的一般概念 1

1.1.1多源信息融合的提出及定义 4

1.1.2多源信息融合的优势 5

1.2多源信息融合的功能模型 6

1.2.1经典的功能模型 6

1.2.2其他功能模型 10

1.3多源信息融合的系统结构 12

1.3.1集中式结构 12

1.3.2分布式结构 13

1.3.3混合式结构 15

1.4多源信息融合中的数学方法 15

1.4.1估计理论方法 15

1.4.2不确定性推理方法 16

1.4.3智能计算与模式识别理论 16

1.5多源信息融合的发展过程及研究现状 16

1.6多源信息融合的应用 18

1.6.1民事上的应用 19

1.6.2军事上的应用 21

习题 22

参考文献 23

第2章 估计理论 29

2.1估计准则 29

2.1.1最小二乘估计和加权最小二乘估计 29

2.1.2最小方差估计和线性最小方差估计 30

2.1.3极大似然估计和极大后验估计 32

2.2最优贝叶斯滤波 33

2.3线性动态系统状态滤波 35

2.3.1卡尔曼滤波器 35

2.3.2信息滤波器 36

2.4非线性动态系统状态滤波 38

2.4.1扩展卡尔曼滤波器 38

2.4.2强跟踪滤波器 40

2.4.3 UT变换和UKF 41

2.4.4差分滤波器 44

2.4.5粒子滤波器 46

2.5混合系统多模型估计 51

2.5.1一般描述 52

2.5.2多模型估计实现 52

2.5.3定结构多模型估计 54

2.5.4交互式多模型算法 57

2.5.5变结构多模型算法 59

2.6期望最大化方法 63

2.6.1概述 63

2.6.2 EM算法描述 64

2.6.3混合高斯参数估计的EM算法实例 66

习题 67

参考文献 70

第3章 不确定性推理理论 72

3.1主观贝叶斯方法 72

3.1.1贝叶斯条件概率公式 72

3.1.2贝叶斯方法在信息融合中的应用 72

3.1.3主观贝叶斯方法的优缺点 73

3.2 D-S证据推理 74

3.2.1证据理论的基本概念 74

3.2.2证据理论的组合规则 75

3.2.3基于证据理论的决策 75

3.2.4证据理论的优缺点 76

3.3不确定性推理方法之三——DSmT 77

3.3.1 DSmT的基本概念 77

3.3.2 DSmT的组合规则 78

3.3.3 DSmT的优缺点 80

3.4主观贝叶斯方法、D-S证据理论和DSmT的比较 81

3.5模糊集合理论 81

3.5.1模糊集合与隶属度 82

3.5.2模糊聚类 82

3.6模糊逻辑 85

3.7模糊推理 85

3.8模糊积分 86

3.9可能性理论 87

习题 88

参考文献 89

第4章 信息融合其他数学基础 91

4.1粗糙集理论 91

4.1.1基本概念 91

4.1.2粗糙集理论在信息融合中的应用 94

4.2随机集理论 94

4.2.1一般概念 94

4.2.2概率模型 97

4.2.3随机集的mass函数模型 98

4.3灰色系统理论 99

4.3.1灰色系统理论的两条基本原理 100

4.3.2数据变换技术 100

4.4支持向量机理论 102

4.4.1最优分类超平面 102

4.4.2线性可分的最优分类面 103

4.4.3线性不可分的最优分类面 104

4.4.4非线性支持向量机 105

4.5信息熵理论 105

4.5.1有关熵的概念 105

4.5.2观测系统的信息融合问题 106

4.5.3观测决策融合系统的信息融合问题 107

4.5.4融合系统的熵的结构关系 107

4.6神经网络 109

4.6.1人工神经元模型 109

4.6.2神经网络的激活函数 109

4.6.3神经网络的结构 110

4.6.4神经网络的学习方法 110

4.7遗传算法 112

4.7.1遗传算法的基本流程 112

4.7.2编码方法 113

4.7.3适应度函数 114

4.7.4选择算子 115

4.7.5交叉算子 116

4.7.6变异算子 116

4.8贝叶斯网络基础 117

4.8.1贝叶斯网络的一般概念 117

4.8.2独立性假设 117

4.8.3一致性概率 118

4.8.4贝叶斯网络推断 119

习题 120

参考文献 121

第5章 检测融合 123

5.1引言 123

5.2假设检验 124

5.2.1假设检验问题描述 124

5.2.2似然比判决准则 125

5.3检测融合结构模型 130

5.3.1集中式融合检测结构 130

5.3.2分布式融合检测结构 130

5.4基于并行结构的分布式检测融合 131

5.4.1并行分布式融合检测系统结构 131

5.4.2并行分布式最优检测 132

5.5基于串行结构的分布式检测融合 133

5.5.1串行分布式融合检测系统结构 134

5.5.2串行分布式最优检测 134

5.6树状分布式检测融合 136

5.6.1树状分布式融合检测系统结构 136

5.6.2树状分布式最优检测 137

5.7反馈网络中的分布式检测融合 138

5.7.1反馈并联网络的融合与局部判决规则 138

5.7.2系统的性能描述 140

5.7.3并联反馈网络应用举例 141

5.8分布式恒虚警概率检测 143

5.8.1 CFAR检测 143

5.8.2分布式CFAR检测 145

习题 147

参考文献 148

第6章 估计融合 150

6.1估计融合系统结构 150

6.2多传感器系统数学模型 152

6.2.1线性系统 153

6.2.2非线性系统 153

6.3集中式融合系统 154

6.3.1并行滤波 155

6.3.2序贯滤波 156

6.4分布式估计融合 157

6.4.1不带反馈信息的分布式估计融合 157

6.4.2带反馈信息的分布式融合 160

6.4.3全信息估计融合 163

6.5基于协方差交集的分布式数据融合 166

6.5.1问题描述 166

6.5.2相关程度已知的相关估计量最优融合 166

6.5.3相关程度未知的相关估计量最优融合 168

6.6混合式估计融合 171

6.6.1顺序估计 172

6.6.2加权估计 173

6.7多级式估计融合 173

6.7.1不带反馈信息的多级式估计融合 174

6.7.2带反馈信息的多级式估计融合 178

6.8联邦滤波器 182

6.8.1问题描述 182

6.8.2方差上界技术 183

6.8.3联邦滤波器的一般结构 186

6.8.4联邦滤波器的工作流程 186

6.8.5联邦滤波器的最优性证明 188

6.9异步估计融合 190

6.9.1系统方程描述 191

6.9.2集中式异步估计融合 191

6.9.3分布式异步估计融合 194

习题 196

参考文献 197

第7章 识别融合 199

7.1目标识别融合概述 199

7.2基于模糊集合理论的目标识别融合技术 199

7.2.1基于模糊贴近和不确定理论的识别方法 199

7.2.2基于可能性理论的识别模型 202

7.2.3基于多属性模糊加权方法的目标识别 204

7.2.4基于模糊综合函数的目标识别 207

7.3基于粗糙集理论的目标识别融合理论 207

7.3.1关系数据模型 207

7.3.2建立知识系统 208

7.3.3基于粗糙集理论的权值确定方法 208

7.3.4基于决策表的分类规则 209

7.4基于D-S证据理论的目标识别融合技术 209

7.4.1互不相容数据结构的递归目标识别融合 209

7.4.2相容数据结构的递归目标识别空间融合 211

7.5基于灰色系统理论的目标识别融合技术 213

7.5.1灰关联分析识别融合算法[12] 213

7.5.2基于D-S推理的灰关联分析融合方法 215

7.6基于极大后验概率理论的目标识别融合技术 216

7.7基于DSmT理论的目标识别融合技术 217

7.7.1 DSmT的融合过程 217

7.7.2递归目标识别融合 218

7.8基于属性测度理论的目标识别融合技术 219

7.8.1属性测度基本理论 219

7.8.2已知指标分类标准的属性模式识别模型 221

7.8.3非有序分割类的属性测度模型 222

7.8.4属性测度与D-S证据理论相结合的融合识别方法 225

习题 227

参考文献 228

第8章 图像融合 230

8.1图像融合概述 230

8.1.1图像融合的概念 230

8.1.2图像融合的发展 230

8.1.3图像融合的应用 231

8.2图像融合的分类 234

8.2.1像素级图像融合 234

8.2.2特征级图像融合 237

8.2.3决策级图像融合 244

8.3图像配准 247

8.3.1配准的基本概念 247

8.3.2配准需要解决的问题 248

8.3.3配准算法 250

8.3.4变换模型及配准参数估计方法 257

8.3.5图像的重采样和变换 258

8.4图像融合算法 258

8.4.1基于贝叶斯方法的图像融合 258

8.4.2基于统计量测优化的图像融合 266

8.4.3基于ICA的图像融合 276

8.4.4基于小波变换的图像融合 280

8.5图像融合的应用 285

8.5.1遥感图像融合 285

8.5.2生物识别技术 288

习题 291

参考文献 291

第9章 时间与空间对准 297

9.1问题描述 297

9.2时间对准 299

9.2.1时间同步技术 301

9.2.2时间配准技术 301

9.3坐标变换 307

9.3.1常用坐标系 307

9.3.2坐标系的选择 308

9.3.3坐标转换 308

9.4空间配准算法 314

9.5量纲对准 319

习题 319

参考文献 320

第10章 目标跟踪 325

10.1目标跟踪的基本概念和原理 325

10.1.1跟踪门的形成与选择 325

10.1.2数据关联与跟踪维持 325

10.1.3航迹起始与终止 326

10.1.4漏报与虚警 326

10.2跟踪门 327

10.2.1环形跟踪门 327

10.2.2椭圆（球）形跟踪门 328

10.2.3矩形跟踪门 329

10.2.4扇形跟踪门 330

10.3航迹起始 330

10.3.1航迹起始算法 330

10.3.2航迹起始中的有关问题讨论 337

10.4目标跟踪模型 338

10.4.1运动模型 338

10.4.2量测模型 354

10.5目标跟踪算法 358

10.5.1基于随机有限集的多目标跟踪 358

10.5.2基于IMM的机动多目标跟踪 362

10.5.3基于期望极大化算法的机动目标跟踪 369

10.5.4基于模糊推理的目标跟踪技术 372

10.6航迹终止与航迹管理 375

10.6.1多目标跟踪终结理论 375

10.6.2航迹管理 379

10.6.3小结 390

习题 390

参考文献 392

第11章 数据关联 397

11.1单目标量测——航迹关联算法 397

11.1.1最近邻方法 397

11.1.2概率数据关联 397

11.1.3交互式多模型概率数据关联 401

11.1.4 C-IMMPDA算法 404

11.1.5综合扩展概率数据关联算法 407

11.2多目标量测航迹关联算法 414

11.2.1联合概率数据关联 414

11.2.2多假设法 420

11.2.3概率多假设法 422

11.2.4多维分配数据关联算法 427

11.2.5全局最近邻数据关联算法 432

11.2.6单传感器广义概率数据关联算法 433

11.2.7多传感器广义概率数据关联算法 443

11.2.8 VDA算法 447

11.3分布式航迹关联 448

11.3.1基于统计的分布式航迹关联 448

11.3.2基于模糊推理与灰色理论的航迹关联 449

习题 449

参考文献 450

第12章 组合导航与信息融合 453

12.1导航系统概述 453

12.1.1惯性导航系统 453

12.1.2全球卫星导航系统 454

12.1.3景象匹配导航系统 455

12.1.4其他导航系统 456

12.1.5组合导航系统 457

12.2车载GPS/INS/EC组合导航 457

12.2.1系统硬件软件结构 457

12.2.2组合导航估计融合模型 459

12.2.3实验结果 462

12.3亚轨道飞行器GPS/INS/CNS组合导航 467

12.3.1亚轨道飞行器概述 467

12.3.2亚轨道飞行器飞行特性分析 468

12.3.3黑障问题 469

12.3.4导航系统方案设计 470

12.3.5融合结构设计 471

12.3.6仿真分析 472

12.4无人机INS/SMNS组合导航 475

12.4.1 INS/SMNS组合模式 475

12.4.2紧耦合INS/SMNS导航特性 476

12.4.3实验结果与分析 478

习题 480

参考文献 481

第13章 态势评估与威胁估计 483

13.1态势评估的概念 483

13.2态势评估的实现 484

13.2.1态势预测 484

13.2.2态势关联 487

13.2.3态势评估 489

13.3态势评估方法 490

13.3.1基于模糊聚类的态势评估方法 490

13.3.2基于贝叶斯网络的态势评估 492

13.3.3基于马尔科夫模型的态势评估 495

13.3.4基于联合模糊逻辑和贝叶斯网络的态势评估 496

13.3.5其他 499

13.4威胁估计概念 500

13.4.1威胁估计的定义 500

13.4.2威胁估计的功能模型 501

13.4.3威胁估计的主要内容 502

13.5威胁估计中的知识库 504

13.5.1系统的领域知识 504

13.5.2系统的知识表示 506

13.5.3系统中的非精确推理 507

13.5.4系统知识库的建立 509

13.6基于层次分析法的威胁估计 509

13.6.1威胁等级的评判步骤 509

13.6.2影响目标威胁等级的因素及评判函数的建立 510

13.6.3各个因子加权系数的确定 512

13.6.4综合评判结果确定 513

13.7基于多因子综合加权的威胁估计 514

13.7.1多因子综合加权法基本原理 514

13.7.2多因子综合加权法应用 515

习题 517

参考文献 518

第14章 信息融合中的性能评估 520

14.1性能评估指标体系 520

14.1.1指标体系特点及选取原则 520

14.1.2指标类型 521

14.1.3剧情设定 521

14.1.4评估指标 523

14.2信息融合性能评估的方法 527

14.2.1信息融合性能评估的解析法 527

14.2.2信息融合性能评估的Monte Carlo方法 527

14.2.3信息融合性能评估的半实物仿真方法 528

14.2.4信息融合性能评估的试验验证法 530

14.3性能评估举例 530

14.3.1跟踪系统性能评估及指标体系 530

14.3.2图像融合技术的性能评估 545

14.3.3面向效能度量（MOE）的指标体系 561

14.4其他性能评估举例 568

14.4.1基于解析法的雷达与红外传感器航迹关联性能评估 568

14.4.2基于解析法的航迹起始性能评估 570

14.4.3基于Monte Carlo仿真的雷达组网高度估计性能评估 572

习题 574

参考文献 575

第15章 传感器管理 577

15.1信息融合中的传感器管理 577

15.2传感器管理概述 578

15.2.1传感器管理概念 578

15.2.2传感器管理的内容 579

15.2.3常用传感器及其可管理的参数和模式 580

15.3传感器管理的系统结构与功能模型 585

15.3.1传感器管理的系统结构 585

15.3.2传感器管理的功能模型 588

15.4传感器管理算法与性能指标体系 591

15.4.1传感器管理算法简介 591

15.4.2传感器管理性能指标体系 596

15.5工作环境受限的机载多传感器管理 600

15.5.1状态变量具有约束条件的传感器管理最优决策模型 600

15.5.2一种战场环境下的主/被动式传感器管理方案与算法 601

15.6基于模糊推理的多因素单平台传感器管理算法 605

15.6.1考虑目标多因素的传感器管理 606

15.6.2基于模糊推理的传感器管理 608

15.6.3仿真研究 613

15.7基于联合信息增量的多平台传感器网络管理 617

15.7.1多传感器多目标跟踪中的联合信息增量 617

15.7.2基于联合信息增量的集中式网络级传感器管理算法 619

15.7.3仿真研究 621

习题 624

参考文献 625