第1章 信息融合及其分布式发展概述 1
1.1 信息融合技术发展沿革 1
1.2 数据融合模型的概要分类 2
1.3 JDL数据融合过程模型 3
1.3.1 JDL数据融合结构模型 4
1.3.2 JDL顶层融合模型的演变 5
1.3.3 JDL融合顶层模型的主要功能 7
1.4 Endsley态势感知模型 8
1.5 影响信息融合学科发展的相关动向 9
1.6 信息时代对分布式信息融合的需求 12
1.7 分布式融合面临的主要挑战 14
参考文献 17
第2章 面向网络中心战的分布式信息融合 23
2.1 网络中心战（NCW）的概念及背景 23
2.1.1 新军事变革与联合作战 23
2.1.2 新军事变革与信息化 24
2.1.3 新军事变革与网络中心战 24
2.2 网络中心战（NCW）中的信息价值 26
2.2.1 网络中心战（NCW）中的信息价值概念 26
2.2.2 网络中心战（NCW）中的价值链 26
2.2.3 最优行动的期望效用 29
2.3 网络中心战（NCW）中的认知问题 30
2.3.1 认知的概念 30
2.3.2 认知的本质和过程 32
2.4 网络中心战（NCW）中的自组织和自同步 34
2.4.1 网络中心战（NCW）的主要特征 34
2.4.2 自组织的概念和效用 35
2.4.3 自同步的概念和效用 35
2.5 分布式信息融合在网络中心战（NCW）中的作用 36
2.5.1 分布式网络中心战（NCW）与分布式信息融合 36
2.5.2 信息融合对网络中心战（NCW）价值链的贡献 37
2.5.3 信息融合在网络中心战（NCW）认知中的作用 38
2.5.4 信息融合在网络中心战（NCW）指挥控制中的作用 39
2.6 分布式信息融合中的挑战性问题 41
参考文献 42
第3章 分布式信息融合中的新概念和新方法 45
3.1 引言 45
3.2 分布式信息融合概念与问题概述 46
3.3 控制相关信息融合误差的有界协方差增长方法 50
3.3.1 有界协方差增长控制方法的概念和应用背景 50
3.3.2 BCI模型 50
3.3.3 分散式目标跟踪误差分析案例 54
3.4 传感器协同方法 56
3.4.1 极大和算法模型 57
3.4.2 极大和算法约束条件与模型求解 58
3.4.3 基于极大和算法的多传感器协同跟踪案例 61
3.5 自利平台的优化协调方法 63
3.5.1 概念与背景 63
3.5.2 目标跟踪中的多代理协调问题 64
3.5.3 目标跟踪MAS模型的效用评价函数 65
3.5.4 考虑信道衰减的信息多级最优传输路径 66
3.5.5 基于拍卖机制的网络带宽优化分配 67
3.5.6 仿真案例 70
3.6 合作对象信用估计 71
3.6.1 合同的期望效用与协方差的概念 72
3.6.2 基于独立贝塔分布的合同信用估计 72
3.6.3 基于卡尔曼滤波的异类服务合同信用估计 73
3.6.4 合同信用模型仿真验证案例 75
3.7 基于人—代理集合体（HAC）的分布式信息融合 76
3.7.1 问题的提出 76
3.7.2 人—代理集合体（HAC）中的用户精炼 77
3.7.3 人—代理集合体（HAC）中的用户控制与管理 82
3.7.4 用户在人—代理集合体（HAC）系统评估中的作用 84
3.7.5 人—代理集合体（HAC）设计中的挑战与机遇 86
3.8 本章小结 87
参考文献 88
第4章 分布式融合结构与估计算法 91
4.1 引言 91
4.2 分布式信息融合结构 92
4.2.1 融合结构的依赖因素 92
4.2.2 融合结构与依赖因素之间的关系 93
4.2.3 分布式融合结构的选择基准 95
4.2.4 分布式融合结构分类 95
4.3 分布式融合信息图 98
4.3.1 单连接信息图 98
4.3.2 无反馈层次融合的多连接信息图及连接转换 99
4.3.3 有反馈层次融合信息图及连接转换 100
4.3.4 对等式分布融合信息图及连接转换 101
4.4 分布式估计算法 105
4.4.1 分布式估计概述 105
4.4.2 贝叶斯分布估计中的重复信息去除原理 106
4.4.3 最优贝叶斯分布融合算法 108
4.4.4 次优贝叶斯分布融合算法 112
4.4.5 高斯分布或带有误差协方差估计的全局估计 114
4.5 目标跟踪中的分布式估计 116
4.5.1 问题描述 116
4.5.2 确定性动态过程 117
4.5.3 非确定性动态过程 118
4.6 对象分类识别的分布式估计 118
4.6.1 对象分类的分布式识别结构 119
4.6.2 对象分类的分布式识别算法 120
4.7 本章小结 121
参考文献 121
第5章 多传感器分布式目标检测 125
5.1 分布式检测问题描述 125
5.1.1 集中式与分布式检测 125
5.1.2 分布式检测结构与模型 126
5.2 基于LRT的分布式检测方法 128
5.2.1 贝叶斯分布式检测 128
5.2.2 基于LRT的奈曼—皮尔逊检测方法 134
5.2.3 基于LRT的融合检测逻辑设计 136
5.3 基于计数表决规则的WSN检测方法 139
5.3.1 计数表决检测方法 139
5.3.2 多传感器全局表决检测准则 140
5.3.3 不同性能传感器的全局表决检测通用模型 141
5.3.4 同类传感器表决检测通用模型 142
5.4 基于虚发现率的分布式检测门限控制 143
5.4.1 统计学中的多比较问题 144
5.4.2 基于FDR局部门限控制的全局优化检测算法 144
5.4.3 基于FDR的分布式检测系统设计 146
5.5 相关情况的分布式检测 148
5.5.1 基于相关观测的最优分布式检测研究现状 148
5.5.2 基于相关局部判定的最优分布式检测研究现状 149
5.5.3 进一步说明 149
5.6 非理想通信信道下的分布式检测 150
5.6.1 概念与模型 150
5.6.2 考虑信道衰减的分布式检测规则 151
5.6.3 基于部分信道状态的分布式检测 152
5.6.4 具有非信道状态信息的分布式检测 153
5.7 本章小结 154
参考文献 155
第6章 航迹融合与航迹关联——分布式多目标跟踪要点 161
6.1 引言 161
6.2 航迹融合的概念与模型 163
6.2.1 目标动态与观测模型 164
6.2.2 一次航迹融合的概念 164
6.2.3 反复航迹融合的概念 165
6.3 一次航迹融合准则 166
6.3.1 一次航迹融合状态估计及其协方差 166
6.3.2 融合准则 168
6.3.3 航迹融合准则性能评估基准 174
6.4 一次航迹融合准则性能评估案例 178
6.4.1 案例剧情模型 178
6.4.2 追加传感器情况仿真案例 180
6.4.3 互补传感器情况仿真案例 183
6.5 目标连续跟踪中的反复航迹融合 185
6.5.1 反复航迹融合结构与分类 185
6.5.2 不带反馈的反复航迹融合 187
6.5.3 带反馈的反复航迹融合 192
6.6 分布式航迹关联 195
6.6.1 航迹关联的基本假设与评估函数 196
6.6.2 航迹关联度量指标及其计算 197
6.6.3 航迹关联度量指标比较仿真案例 200
6.7 本章小结 203
参考文献 203
第7章 分布式目标分类识别 208
7.1 目标分类的概念与应用需求 208
7.2 目标分类/识别方法 209
7.2.1 基于不确定性的目标分类/识别方法 209
7.2.2 目标分类/识别的基本步骤 210
7.2.3 分布式目标分类识别方法的特点 211
7.2.4 目标类别与识别特征的关系 212
7.3 目标分类方法的基本类型 213
7.3.1 “产生”型目标分类识别方法 213
7.3.2 “差异”型目标分类识别方法 214
7.3.3 混合型目标分类识别方法 215
7.4 多级目标分类识别结构 217
7.5 分布式目标分类识别中的新问题 219
7.5.1 显式重复计算 220
7.5.2 隐式重复计算 221
7.5.3 采用硬说明的传统融合识别系统 221
7.5.4 混合不确定性表示 222
7.6 基于局部分类器的全局融合识别 223
7.6.1 多分类器融合技术的分类 223
7.6.2 分类器组合方法 224
7.7 最优分布式贝叶斯目标分类方法 226
7.7.1 集中式目标分类算法 227
7.7.2 分布式目标分类算法 227
7.7.3 分布式目标分类识别系统的通信策略 232
7.8 分布式目标分类识别算法比较 233
7.8.1 目标分类识别算法性能仿真与评估方法 233
7.8.2 目标分类融合识别算法仿真比较 234
7.9 本章小结 238
参考文献 239
第8章 多传感器一致性数据融合 241
8.1 引言 241
8.2 基于分位数的离异值剔除方法 245
8.2.1 一维情形 245
8.2.2 多维情形 247
8.3 基于模糊集理论的多传感器一致性数据融合 248
8.4 基于统计距离矩阵特征值的一致性数据融合 249
8.5 基于置信距离的多传感器一致性数据融合 251
8.5.1 一维情形的置信距离 251
8.5.2 多维情形的置信距离 252
8.5.3 基于置信距离的一致性数据融合方法 252
8.6 基于测量精度分级的多传感器一致性数据融合 254
8.6.1 两个传感器测量数据偏差的概率比较 254
8.6.2 两传感器融合偏差与传感器测量偏差的概率比较 256
8.6.3 基于精度分级的多传感器一致性数据融合实现方法 258
8.6.4 计算案例 259
8.7 本章小结 261
参考文献 262
第9章 分布式信息融合发展的理论基础 264
9.1 引言 264
9.2 单目标分布式融合概述 267
9.2.1 单目标贝叶斯滤波 268
9.2.2 独立数据源的T2F 269
9.2.3 非独立数据源的T2F 272
9.2.4 协方差交集（CI）航迹融合 276
9.2.5 指数混合（XM）融合 278
9.3 基于有限集统计学的多目标滤波方法 282
9.3.1 多传感器多目标递推贝叶斯滤波 282
9.3.2 多目标随机分布的计算方法 284
9.3.3 概率假设密度（PHD）滤波 286
9.3.4 基数概率假设密度（CPHD）滤波 288
9.3.5 基于随机集的滤波技术应用近况 291
9.4 基于单目标融合扩展的多目标分布式融合 292
9.4.1 独立数据源的多目标T2F 292
9.4.2 非独立数据源的多目标T2F 294
9.4.3 多目标指数混合（XM）融合 294
9.5 基于CPHD/PHD滤波的多目标航迹融合公式 295
9.5.1 基于CPHD滤波的独立跟踪源T2F公式 295
9.5.2 基于PHD滤波的独立跟踪源T2F公式 298
9.5.3 基于CPHD滤波和PHD滤波的相关跟踪源T2F公式 300
9.5.4 基于CPHD滤波的多目标分布密度的指数混合（XM）融合近似 301
9.5.5 基于PHD滤波的多目标分布密度的指数混合（XM）融合近似 303
9.6 基于CPHD滤波和PHD滤波的多目标T2F实现案例 306
9.6.1 基于CPHD/PHD滤波的多目标T2F公式实现 306
9.6.2 多目标指数混合（XM）T2F近似公式的计算实现 308
9.7 本章小结 310
参考文献 311
第10章 分布式环境中的威胁估计 315
10.1 威胁估计基本概念 315
10.1.1 威胁与威胁对象 315
10.1.2 威胁估计概念 315
10.1.3 威胁估计的特征与内涵 317
10.1.4 威胁估计要素及其层次结构 318
10.1.5 威胁估计结果的表示方法 320
10.2 基于假设评估的威胁估计推理模型 320
10.2.1 威胁估计模型 320
10.2.2 威胁估计的多假设推理 321
10.2.3 威胁估计推理中的多假设评估 322
10.3 威胁估计方法 324
10.3.1 基于随机区间的目标威胁估计方法 324
10.3.2 基于模糊模式识别的目标威胁估计算法 330
10.3.3 基于决策树学习的目标威胁估计算法 339
10.4 多目标威胁估计方法 342
10.4.1 威胁函数与威胁值 342
10.4.2 基于多价值准则的多目标威胁评估方法 343
10.5 分布式环境中目标威胁估计的控制模式 346
10.5.1 分布式威胁估计的优势 346
10.5.2 分布式威胁估计的环境要求 346
10.5.3 分布式威胁估计的协同模式 347
10.5.4 分布式协同威胁估计案例 349
10.6 通信状态对分布式威胁估计的影响 350
10.6.1 通信中断状态产生的影响 350
10.6.2 通信降级状态产生的影响 351
参考文献 351
第11章 分布式传感器管理 354
11.1 概述 354
11.1.1 传感器管理的概念 354
11.1.2 传感器管理的内涵和效用 355
11.1.3 传感器管理的功能 356
11.2 基于效用函数的目标探测传感器资源管理算法 357
11.2.1 问题描述 358
11.2.2 基于效用的传感器资源分配数学模型 359
11.2.3 仿真例子 362
11.3 基于模糊推理的传感器管理算法 364
11.3.1 问题描述 364
11.3.2 基于模糊推理的传感器管理算法 365
11.3.3 性能指标 368
11.3.4 仿真例子 369
11.4 基于组合双向拍卖的传感器管理算法 370
11.4.1 问题描述 371
11.4.2 基于多资源组合双向拍卖的传感器管理算法 372
11.4.3 仿真例子 381
11.5 本章小结 385
参考文献 386