数据融合理论与应用 第2版PDF电子书下载

第一章 概论 1

1.1 数据融合的目的和应用 1

1.2 数据融合的理论基础 3

1.2.1 数据融合的一般处理模型 3

1.2.2 数据融合的概念与结构分类 5

1.3 数据融合的实现技术 13

1.3.1 目标跟踪 13

1.3.2 目标识别 17

1.3.3 态势评估和威胁估计（STA） 19

1.4 数据融合的研究现状和如何推动我国数据融合研究的进展 24

1.4.1 理论研究应着眼未来、强调创新 25

1.4.2 技术研究应面向世界、追求突破 26

1.4.3 人才培养应面向教育 27

1.4.4 加强学术交流，全方位协调发展 27

补记 27

参考文献 27

第二章 多传感器目标检测的基本理论 30

2.1 问题描述 30

2.2 贝叶斯方法 32

2.3 Neyman-Pearson方法 35

2.4 系统检测率和系统虚警率 36

2.5 同类传感器情形下的讨论 40

补记 42

参考文献 44

第三章 多传感器目标检测的性能评估 46

3.1 传感器检测的基本特性 46

3.2 传感器检测性能分析 48

3.3 传感器的检测性能评估 49

补记 53

参考文献 53

第四章 目标跟踪与数据关联概论 54

4.1 多目标跟踪的基本思想 54

4.2 数据关联的概念与方法 55

4.2.1 “最近邻”方法 56

4.2.2 “全邻”最优滤波器 57

4.2.3 概率数据关联滤波器 57

4.2.4 多模型方法 57

4.2.5 相互作用多模型—概率数据关联滤波器 58

4.2.6 联合概率数据关联滤波器 58

4.2.7 多假设方法 59

4.2.8 航迹分裂方法 59

4.2.9 分布式多传感器多目标跟踪与数据关联的一般理论 59

4.2.1 0基于神经网络的多目标数据关联方法 59

补记 60

参考文献 60

第五章 相互作用多模型—概率数据关联算法 62

5.1 概率数据关联滤波器 62

5.1.1 预备知识 62

5.1.2 概率数据关联滤波器的基本思想 63

5.1.3 关联概率βi（k）的计算 65

5.1.4 协方差P（k｜k）的计算 68

5.2 多模型算法（Multiple-Model Approach） 70

5.3 相互作用多模型—概率数据关联算法 73

5.4 多传感器相互作用多模型—概率数据关联算法 75

5.4.1 多传感器概率数据关联滤波器 75

5.4.2 多传感器多模型—概率数据关联滤波器 77

5.5 目标运动模型（Target Motion Models） 79

5.5.1 基本理论 79

5.5.2 几个典型的目标运动模型 82

补记 85

参考文献 85

第六章 联合概率数据关联和多假设滤波器 87

6.1 联合概率数据关联算法 87

6.1.1 联合概率数据关联算法的基本思想 87

6.1.2 联合事件的概率计算 92

6.1.3 协方差计算 93

6.1.4 n=1时JPDA和PDA的等价性证明 95

6.2 多假设滤波器 96

6.2.1 假设的产生和假设树的形成 96

6.2.2 假设估计 101

6.2.3 假设管理 103

补记 104

参考文献 104

第七章 多传感器多目标跟踪的一般理论 106

7.1 分布式多传感器多目标跟踪的基本思想与功能结构 106

7.2 单目标分布式跟踪 107

7.2.1 中心估计 107

7.2.2 分布式估计 111

7.3 多假设多目标跟踪 116

7.3.1 航迹和假设 116

7.3.2 递归假设估计 116

7.3.3 成批假设估计 118

7.4 分布式多目标跟踪 119

7.4.1 等级多目标跟踪 119

7.4.2 分布式多目标跟踪 124

补记 126

参考文献 126

第八章 多目标跟踪系统的性能评估 129

8.1 航迹分类 129

8.2 跟踪评估指标 129

8.3 混合评价指标的设计 130

8.4 一般评价模型 131

补记 134

参考文献 135

第九章 身份识别 136

9.1 基于Bayes统计理论的身份识别 136

9.1.1 古典概率理论及其在身份识别中的应用 136

9.1.2 基于Bayes统计理论的身份识别 138

9.2 基于Dempster-Shafer证据理论的身份识别 141

9.2.1 基本理论 141

9.2.2 单传感器多测量周期可信度分配的融合 143

9.2.3 多传感器多测量周期可信度分配的融合 143

9.3 面向对象的数据融合算法及其神经网络实现［7］ 148

9.3.1 分类和跟踪处理模型 148

9.3.2 数据融合算法 149

9.3.3 融合算法的神经网络实现 150

补记 152

参考文献 153

第十章 态势评估和威胁估计的基本理论 154

10.1 指挥、控制和通信系统的基础理论 154

10.1.1 兰切斯特（Lanchester）战斗模型 155

10.1.2 指挥、控制和通信模型 155

10.2 军事问题的一般求解模型 156

10.2.1 状态转移模型 156

10.2.2 SHOR模型 158

补记 159

参考文献 159

第十一章 条件事件代数理论 160

11.1 问题提出 160

11.1.1 逻辑与概率表示不相容 160

11.1.2 Simpson悖论［5,6］ 161

11.2 条件事件代数的定义及其性质 163

11.2.1 布尔代数 163

11.2.2 Lewis定理 163

11.2.3 GNW（Goodman-Nguyen-Walker）条件事件代数 164

11.2.4 条件事件代数的运算性质 165

补记 167

参考文献 167

第十二章 规划识别理论及其应用 168

12.1 基本概念 168

12.1.1 规划识别理论概述 168

12.1.2 规划识别与规划（Planning） 170

12.1.3 规划识别与态势评估 170

12.2 真实环境下的规划识别的要求 171

12.2.1 真实环境的特点 171

12.2.2 动态性问题 172

12.3 锁孔式规划识别的研究 173

12.3.1 规划识别模型 173

12.3.2 规划识别中认知属性的分析 174

12.3.3 真实环境下规划识别逻辑完备性分析 175

12.3.4 真实环境下的规划识别过程模型 175

12.3.5 FIND过程的研究与设计 176

12.3.6 监测过程的策略 178

12.4 预测式规划识别的理论研究与实现 179

12.4.1 预测式规划识别与态势评估 179

12.4.2 Bayes概率理论和D-S推理 179

12.4.3 Bayes因果网络 180

12.4.4 预测与Bayes因果网络 182

12.5 真实环境下的规划识别模型及其性能分析 184

12.5.1 综合模型 184

12.5.2 综合模型性能分析 185

补记 187

参考文献 188