多源信息融合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与定义 1

1.1.1定义 1

1.1.2多源信息融合的优势 2

1.1.3应用领域 3

1.2信息融合系统的模型和结构 4

1.2.1功能模型 4

1.2.2信息融合的级别 6

1.2.3通用处理结构 8

1.3多源信息融合主要技术和方法 10

1.4信息融合要解决的几个关键问题 11

1.5发展起源、现状与未来 12

参考文献 14

第2章 统计推断与估计理论基础 16

2.1点估计理论基础 16

2.1.1一般概念 16

2.1.2 Bayes点估计理论 17

2.1.3 BLUE估计 19

2.1.4 WLS估计 19

2.1.5 ML估计 20

2.1.6 PC估计 20

2.1.7 RLS估计与LMS估计 23

2.2期望极大化（EM）方法 25

2.2.1概述 25

2.2.2 EM算法描述 25

2.2.3混合Gauss参数估计的EM算法实例 28

2.3线性动态系统的滤波理论与算法 29

2.3.1离散时间线性系统状态估计问题的一般描述 29

2.3.2基本Kalman滤波器 31

2.3.3信息滤波器 32

2.3.4噪声相关的Kalman滤波器 33

2.4非线性动态系统的滤波理论与算法 35

2.4.1扩展Kalman滤波器（EKF） 35

2.4.2 UKF滤波 37

2.4.3 Bayes滤波 40

2.5基于随机抽样的过程估计理论与算法 41

2.5.1传统Bayes估计面临的挑战与解决的新思路 41

2.5.2 Monte Carlo仿真的随机抽样 42

2.5.3 Markov Chain Monte Carlo抽样 44

2.5.4粒子滤波的一般方法 48

2.6混合系统状态估计理论 55

2.6.1一般描述 55

2.6.2多模型方法简述 56

2.6.3定结构多模型估计 57

2.6.4交互式多模型算法 60

2.6.5变结构多模型（VSMM）算法概述 62

2.7小结 66

参考文献 66

第3章 智能计算与识别理论基础 69

3.1概述 69

3.1.1模式识别的一般概念 69

3.1.2智能学习与统计模式识别 70

3.2粗糙集理论基础 71

3.2.1信息系统的一般概念 71

3.2.2决策系统的不可分辨性 72

3.2.3集合近似 73

3.2.4属性约简 75

3.2.5粗糙隶属度 79

3.2.6广义粗集 82

3.3证据理论基础 82

3.3.1概述 82

3.3.2 mass函数、信度函数与似真度函数 83

3.3.3 Dempster-Shafer合成公式 87

3.3.4证据推理 89

3.3.5证据理论中的不确定度指标 91

3.3.6证据理论存在的主要问题与发展 92

3.4随机集理论基础 94

3.4.1一般概念 94

3.4.2概率模型 97

3.4.3随机集的mass函数模型 100

3.4.4随机集与模糊集的转换 101

3.5随机有限集概略 105

3.5.1概述 105

3.5.2随机有限集的概念 105

3.5.3随机有限集的统计 106

3.5.4随机有限集的Bayes滤波 108

3.6统计学习理论与支持向量机基础 110

3.6.1统计学习理论的一般概念 110

3.6.2学习机的VC维与风险界 112

3.6.3线性支持向量机 116

3.6.4非线性支持向量机 119

3.6.5用于孤立点发现的One-class SVM算法 121

3.6.6最小二乘支持向量机 122

3.6.7模糊支持向量机 123

3.6.8小波支持向量机 124

3.6.9核主成分分析 125

3.7 Bayes网络基础 126

3.7.1 Bayes网络的一般概念 127

3.7.2独立性假设 128

3.7.3一致性概率 129

3.7.4 Bayes网络推断 131

3.8小结 135

参考文献 135

第4章 目标跟踪 139

4.1基本概念与原理 139

4.2跟踪门 141

4.2.1滤波残差 141

4.2.2矩形跟踪门 141

4.2.3椭球跟踪门 142

4.2.4其他跟踪门 142

4.3目标运动模型 142

4.3.1机动目标跟踪的数学模型 142

4.3.2非机动目标动态模型 143

4.3.3坐标不耦合的目标机动模型 144

4.3.4二维水平运动模型 150

4.3.5三维模型 152

4.4量测模型 154

4.4.1传感器坐标模型 154

4.4.2在各种坐标系中的跟踪 155

4.4.3混合坐标系的线性化模型 157

4.4.4笛卡儿坐标系下的模型 159

4.5雷达量测转换 160

4.5.1二维去偏量测转换 160

4.5.2三维去偏量测转换 162

4.5.3无偏量测转换 164

4.5.4修正的无偏量测转换 168

4.6基于雷达量测和BLUE准则的目标跟踪 170

4.6.1基于BLUE准则的二维量测转换 170

4.6.2基于BLUE准则的三维量测转换 173

4.7带Doppler量测的雷达目标跟踪 177

4.7.1极坐标系中带Doppler量测的雷达目标跟踪 177

4.7.2球坐标系中带Doppler量测的雷达目标跟踪 182

4.8时间与空间配准 185

4.8.1问题描述 185

4.8.2时间配准算法 187

4.8.3常用坐标系 188

4.8.4坐标转换 188

4.8.5空间配准算法概述 190

4.8.6二维空间配准算法 191

4.8.7精确极大似然空间配准算法 195

4.8.8基于地心坐标系的空间配准算法 198

4.9基于随机有限集的多目标跟踪概述 202

4.9.1 RFS目标运动和量测模型 203

4.9.2概率假设密度（PHD）滤波器 203

4.9.3基数概率假设密度（CPHD）滤波器 204

4.9.4 Gaussian-Mixture PHD（GM-PHD）滤波器 205

4.10小结 206

参考文献 207

第5章 检测融合 212

5.1概论 212

5.2并行结构融合系统的最优分布式检测融合算法 214

5.2.1系统描述 214

5.2.2最优分布式检测的必要条件 215

5.2.3传感器观测独立条件下的最优分布式检测 217

5.2.4实例计算 219

5.3串行结构融合系统的最优分布式检测融合算法 220

5.3.1系统描述 220

5.3.2传感器观测独立条件下最优分布式检测的必要条件 221

5.3.3传感器观测独立条件下的最优分布式检测 223

5.3.4实例计算 226

5.4树形结构融合系统的最优分布式检测融合算法 226

5.4.1系统描述 227

5.4.2结点观测独立条件下最优分布式检测的必要条件 228

5.4.3结点观测独立条件下的最优分布式检测 229

5.4.4实例计算 232

5.5分布式量化检测系统 232

5.5.1系统描述 233

5.5.2最优分布式量化检测的必要条件 234

5.5.3传感器观测独立条件下的最优分布式量化检测 235

5.5.4实例计算 238

5.6分布式N-P检测融合系统 240

5.6.1最优分布式量化检测的必要条件 240

5.6.2传感器观测独立条件下的最优分布式检测 242

5.6.3传感器观测相关条件下的次优分布式检测 243

5.6.4分布式硬决策N-P检测融合系统 245

5.6.5实例计算 246

5.7小结 247

参考文献 248

第6章 估计融合 250

6.1估计融合系统结构 250

6.2集中式融合系统 252

6.2.1并行滤波 253

6.2.2序贯滤波 254

6.2.3数据压缩滤波 254

6.3分布式融合系统 257

6.3.1分布式融合结构 257

6.3.2航迹融合中各传感器局部估计误差相关的原因 258

6.3.3简单凸组合融合算法 259

6.3.4 Bar-Shalom-Campo融合算法 261

6.3.5不带反馈的最优分布式估计融合 264

6.3.6带反馈的最优分布式估计融合 266

6.3.7最大后验概率状态估计融合 270

6.3.8最优的集中式估计的重构 278

6.4协方差交叉法 281

6.4.1问题描述 281

6.4.2相关程度已知的相关估计量最优融合 282

6.4.3相关程度未知的相关估计量最优融合 284

6.5联邦滤波器 286

6.5.1问题描述 287

6.5.2方差上界技术 287

6.5.3联邦滤波器的一般结构 290

6.5.4联邦滤波器的工作流程 291

6.5.5联邦滤波器的最优性证明 292

6.5.6联邦滤波器的四种结构 294

6.5.7联邦滤波器四种结构的比较 297

6.5.8联邦滤波器的特点 297

6.5.9联邦滤波器的两种简化形式 298

6.6最优线性估计融合与统一融合规则 298

6.6.1问题描述 298

6.6.2统一线性数据模型 299

6.6.3对于线性数据模型的统一最优融合规则 301

6.6.4一般的最优的线性融合规则 308

6.7非线性分层融合算法 310

6.8为什么需要估计融合 311

6.8.1中心式融合 311

6.8.2分布式融合 313

6.9小结 315

参考文献 316

第7章 数据关联 320

7.1引言 320

7.2量测-航迹关联算法：经典方法 320

7.2.1最近邻方法 321

7.2.2概率数据关联 321

7.2.3交互式多模型概率数据关联 324

7.2.4联合概率数据关联 327

7.2.5多传感联合概率数据关联 332

7.3量测-航迹关联的其他方法 335

7.3.1基于粒子滤波的联合概率数据关联 335

7.3.2多假设方法 337

7.3.3概率多假设方法 339

7.3.4基于期望极大化算法的杂波环境下机动目标跟踪 346

7.4集中式多传感多目标跟踪的广义S维分配算法 348

7.5多目标跟踪起始与跟踪终止算法 350

7.5.1跟踪起始方法 350

7.5.2跟踪终止方法 355

7.5.3基于目标可感知性的决策方法 355

7.6分布式航迹关联 360

7.6.1基本符号 360

7.6.2两个传感器之间的航迹关联 360

7.6.3多传感器之间的航迹关联 362

7.7小结 364

参考文献 365

第8章 异步融合 368

8.1异步融合的一般概念 368

8.2顺序量测异步融合 368

8.2.1问题描述 368

8.2.2顺序量测异步融合算法 370

8.3单个非顺序量测异步融合问题 371

8.3.1非顺序量测问题产生的原因 371

8.3.2非顺序量测问题的数学描述 371

8.3.3非顺序量测问题的主要处理算法 372

8.3.4直接更新法的通解 373

8.4单个非顺序量测一步滞后滤波 374

8.4.1 A1算法 374

8.4.2 B1算法 377

8.4.3 C1算法 377

8.4.4各种算法比较 378

8.5单个非顺序量测多步滞后滤波 379

8.5.1 Bl算法 380

8.5.2 Al1与Bl1算法 385

8.5.3 Zl算法 388

8.6多OOSM多步滞后滤波 390

8.7小结 392

参考文献 392

第9章 图像融合 394

9.1图像融合概述 394

9.1.1图像融合的一般概念 394

9.1.2图像融合的发展 394

9.1.3图像融合的简单应用实例 395

9.2图像融合的分类 399

9.2.1像素级图像融合 399

9.2.2特征级图像融合 400

9.2.3决策级图像融合 401

9.2.4三个图像融合层次的性能比较 402

9.3图像配准 402

9.3.1配准的基本概念 402

9.3.2配准需要解决的问题 404

9.3.3配准算法 405

9.3.4变换模型及配准参数估计方法 413

9.3.5图像的重采样和变换 414

9.4图像融合算法 415

9.4.1简单图像融合算法 415

9.4.2基于金字塔分解的图像融合算法 416

9.4.3基于小波变换的图像融合算法 422

9.4.4其他图像融合算法 426

9.5遥感图像融合 427

9.5.1遥感图像融合概述 427

9.5.2遥感图像数据融合的基本框架 428

9.5.3基于粗糙集的特征选择与多源遥感图像融合分类 429

9.5.4用于目标搜索的融合框架设计 431

9.6基于图像融合的目标跟踪 432

9.6.1图像跟踪的一般理论 432

9.6.2图像跟踪的工程算法 433

9.6.3图像跟踪的一般过程 435

9.7图像融合的评价标准 446

9.7.1主观评价标准 447

9.7.2客观评价标准 447

9.8小结 449

参考文献 449

第10章 异类融合 455

10.1概述 455

10.2基于雷达检测与红外检测融合处理的目标跟踪 456

10.2.1问题概述 456

10.2.2算法描述 457

10.3基于音频和视频特征融合的身份识别 460

10.3.1问题概述 460

10.3.2音频特征提取 460

10.3.3视频特征提取 461

10.3.4分类 463

10.3.5多形态融合 464

10.4杂波环境中基于异类信息融合的目标跟踪 464

10.4.1问题描述 464

10.4.2概率生成模型 466

10.4.3对于音频-视频数据的一个概率生成模型 466

10.4.4基于音频-视频数据融合的参数估计与目标跟踪 468

10.4.5融合与跟踪结果 471

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 473

10.5.1概述 473

10.5.2问题描述与基本原理 473

10.5.3目标1量测数据的误差标定与分离算法 475

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 476

10.5.5目标2量测数据的误差校正算法 477

10.6多源异类信息融合的一般方法论探讨 478

10.6.1多源异类信息融合的一般概念 479

10.6.2多源异类信息融合的基本思路 479

10.6.3多源异类信息融合的方法论探讨 481

10.7小结 496

参考文献 496

第11章 智能交通与信息融合 500

11.1智能交通系统概述 500

11.1.1一般概念 500

11.1.2发展过程 501

11.1.3主要研究方向 502

11.1.4我国ITS发展现状 503

11.1.5智能交通系统的发展方向 504

11.2智能车辆系统概述 504

11.2.1主要研究内容 504

11.2.2研究与应用现状 506

11.2.3多传感技术应用 507

11.3基于多传感信息融合的路径规划与自动导航 508

11.3.1基于多传感信息融合的路径规划 508

11.3.2基于多传感信息融合的自动导航 510

11.4智能车辆系统的障碍规避与防碰撞 516

11.4.1智能车辆防碰撞系统的研究内容 516

11.4.2智能车辆防碰撞系统的组成 518

11.4.3自适应巡航控制系统的关键技术 519

11.4.4当前存在的问题 519

11.5基于证据推理的多传感器信息融合的道路车辆跟踪 520

11.5.1引言 520

11.5.2车载传感器数据关联的D-S实现 521

11.5.3仿真示例 524

11.6小结 528

参考文献 528

第12章 态势评估和威胁估计 531

12.1前言 531

12.2决策级融合中的态势评估 531

12.2.1态势的概念 532

12.2.2现代战争中的态势评估 533

12.2.3基于战争环境的威胁估计 534

12.3态势评估的实现 536

12.3.1态势评估的特点 536

12.3.2态势评估过程 537

12.3.3态势评估的事后分析 540

12.4一个简单的应用实例 541

12.4.1问题描述 541

12.4.2系统建模 542

12.5常用的态势评估方法 542

12.5.1推理理论 543

12.5.2模糊集理论 543

12.5.3专家系统方法 543

12.5.4黑板模型 543

12.5.5进化算法 544

12.5.6多智能体理论 545

12.6小结 546

参考文献 547