第一章 信息融合概论 1
1．1 引言 1
1．2 信息融合的基本概念 4
1．2．1 信息融合的3层含义 4
1．2．2 信息融合系统的基本框架 7
1．2．3 信息融合的6个基本特征 8
1．2．4 FAN系统 12
1．2．5 人工智能和神经网络融合系统 14
1．3 典型的信息融合系统 15
1．3．1 多目标多传感器跟踪系统 15
1．3．2 神经网络—模糊融合控制 18
1．4 信息融合技术发展概况 22
1．4．1 融合算法综述 22
1．4．2 多目标多传感器跟踪技术发展概况 26
1．4．3 信息融合应用概况 29
后记 31
第二章 信息融合系统的基本模型 33
2．1 引言 33
2．2 信息融合4元素和一般模型 33
2．3 信息融合的功能模型 35
2．4 信息融合的结构模型 37
2．4．1 检测级融合结构模型 37
2．4．2 跟踪级融合结构模型 39
2．4．3 属性级融合结构模型 43
2．5 基于输入输出特征的融合模型 45
2．6 系统4种融合模型 47
2．7 信息融合层次模型 48
后记 49
第三章 信息融合的基本算法 50
3．1 引言 50
3．2 卡尔曼加权融合算法 50
3．3 登普斯特——谢弗证据方法 54
3．4 航迹融合的分层法 61
后记 66
第四章 神经网络融合学习与估计 68
4．1 引言 68
4．2 信息融合学习系统 69
4．2．1 学习概念 69
4．2．2 融合学习模型 71
4．3 4种学习方法 74
4．3．1 机械学习 74
4．3．2 指导学习 74
4．3．3 实例学习 75
4．3．4 类比学习 75
4．4 神经网络状态估计 76
4．4．1 神经网络最小二乘估计 76
4．4．2 基于神经网络的系统参数辨识方法 80
4．4．3 系统逆问题的神经网络解法 83
4．5 基于M估计的鲁棒神经网络 86
4．5．1 鲁捧估计的提出 86
4．5．2 鲁捧BP神经网络 87
4．6 神经网络泛化能力 90
4．6．1 基本概念 90
4．6．2 概率近似的正确学习 91
4．6．3 提高泛化能力的限制权重方法 95
后记 97
第五章 神经网络——模糊推理融合理论与结构 100
5．1 引言 100
5．2 神经网络与模糊推理系统的关系 102
5．2．1 神经网络系统与模糊推理系统的相似性 102
5．2．2 神经网络系统与模糊推理系统的差异 103
5．2．3 神经网络与模糊推理技术缺陷 106
5．2．4 发展概况 109
5．3 神经网络——模糊推理系统的融合机理 112
5．3．1 最佳逼近器与模糊基函数 112
5．3．2 模糊系统的通用逼近性 113
5．3．3 神经网络与模糊推理系统的等效性 117
5．4 神经网络——模糊推理融合系统的特征 122
5．4．1 融合系统的网络拓扑结构 122
5．4．2 神经网络系统和模糊推理系统的相似算子 123
5．4．3 神经网络系统和模糊推理系统的映射方式 126
5．5 神经网络——模糊推理融合系统结构 126
5．5．1 NN&FR结构 126
5．5．2 NN→FR类型 128
5．5．3 NN←→FR类型 131
5．5．4 模糊神经元结构 131
5．5．5 混合模糊神经网络 133
5．6 神经网络——模糊推理Inter3融合系统 137
5．6．1 NN-FR Inter3融合模型 137
5．6．2 NN←→FR型子网络成分互连方法构造子网络 139
5．6．3 功能互补的网络实现 143
后记 147
第四章 神经网络——模糊推理融合控制 149
6．1 引言 149
6．2 自适应模糊滤波器 150
6．2．1 知识的模糊集表示 150
6．2．1 递归最小二乘自适应模糊滤波器 152
6．2．3 混合推理模糊控制器 155
6．3 神经网络控制器 156
6．3．1 神经网络学习控制 156
6．3．2 神经网络自适应控制 157
6．3．3 神经网络专家控制系统 160
6．4 神经网络——模糊融合控制机理 161
6．4．1 神经网络控制和模糊控制的共同点 161
6．4．2 神经网络——模糊推理融合控制的必要性 163
6．5 神经网络——模糊推理融合控制结构 164
6．5．1 基于神经网络技术的模糊控制器 164
6．5．2 自调整量化因子神经模糊控制器 164
6．5．3 自学习、自组织神经模糊控制器 165
6．6 基于误差动态特性识别器的神经网络——模糊推理控制 167
6．6．1 系统结构 167
6．6．2 误差动态特性识别器的设计 168
6．6．3 模糊控制器结构设计 170
6．6．4 计算机仿真 171
6．6．5 实验系统及实验结果分析 173
后记 175
第七章 神经网络——模糊推理多目标跟踪技术 178
7．1 引言 178
7．2 数据关联问题的Hopfield神经网络解 180
7．2．1 问题的提出 180
7．2．2旅行商问题 180
7．2．3 JPDA算法 182
7．2．4 数据关联后验概率的计算 184
7．3 数据关联的模糊推理方法 187
7．3．1 问题的提出 187
7．3．2 数据关联模糊推理方法的基本原理 192
7．3．3 数据关联模糊推理方法的神经网络实现 196
7．3．4 实验数据处理 199
7．4 数据关联的模糊基函数神经网络方法 203
7．4．1 模糊基函数神经网络 203
7．4．2 正交最小方差学习算法 205
7．4．3 改进的正交最小方差学习算法 208
7．5 自适应神经网络——模糊推理系统 211
7．5．1 ANFIS结构 211
7．5．2 混合学习算法 212
7．5．3 ANFIS通用逼近性 215
7．5．4 ANFIS特点 216
7．5．5 协动作ANFIS 217
7．6 基于神经网络的学习型模糊跟踪器 217
7．6．1 学习型模糊跟踪器结构 218
7．6．2 学习算法 219
7．6．3 仿真 220
后记 222
第八章 多目标多传感器跟踪系统 224
8．1 引言 224
8．2 快速跟踪系统 226
8．2．1 问题的提出 226
8．2．2 快速关联处理 228
8．2．3 降阶快速跟踪系统 233
8．3 仅有角测量系统机动目标鲁棒跟踪算法 242
8．3．1 鲁棒跟踪问题的提出 242
8．3．2 仅有角测量系统的描述 243
8．3．3 匀速目标的3种跟踪算法 245
8．3．4 机动目标鲁棒跟踪算法 249
8．3．5 仅有角测量系统的鲁棒制导规律 255
8．4 多目标多传感器跟踪系统信息融合算法 259
8．4．1 多目标多传感器关联处理最邻近算法 259
8．4．2 相互作用的多重模型算法 262
8．4．3 神经网络信息融合 268
8．5 多目标多雷达航迹处理和管理 273
8．5．1 点迹数据处理 273
8．5．2 航迹数据处理 274
8．5．3 航迹编号管理 275
后记 275
第九章 复杂环境下的多传感器信息融合 277
9．1 引言 277
9．2 复杂干扰环境下的分布式多传感器检测 278
9．2．1 复杂干扰环境下多传感器第统的马尔可夫模型 279
9．2．2 复杂干扰环境下多传感器系统的融合检测 280
9．2．3 仿真计算与结果分析 283
9．3 仅有角度信息的多传感器关联预处理算法 286
9．3．1 问题的提出 286
9．3．2 角度关联的预处理算法 287
9．3．3 仿真计算与结果分析 292
9．4 多传感器系统冲击干扰的预处理 294
9．4．1 冲击干扰的描述 294
9．4．2 奇异信号特征提取 296
9．4．3 奇异信号的Lipschitz指数检测方法 296
9．4．4 抑制冲击干扰的信号恢复 299
9．4．5 仿真计算与结果分析 303
9．5 复杂坏境下ANN-FRIFS 309
9．5．1 问题的提出 309
9．5．2 ANFIS置信度判别器设计 310
9．5．3 ANN-FRIFS算法 312
9．5．4 仿真计算与结果分析 317
后记 320
附录A 321
第十章 多雷达信息融合演示系统 322
10．1系统组成与指标 322
10．2 系统功能与运行 325
10．2．1 功能与运行环境 325
10．2．2 运行过程 326
10．3 仿真计算与结果分析 330
第十一章 信息融合系统展望 335
11．1 人工智能——神经网络——模糊推理融合系统 335
11．1．1 信息融合技术的进化发展 335
11．1．2 研究课题 337
11．2 信息融合作战系统 338
11．2．1 未来高技术信息战 338
11．2．2 未来信息融合作战系统的特色 340
11．2．3 研究课题 340
11．3 多基地雷达预警系统 341
11．3．1 预警探测系统 341
11．3．2 高频超视距雷达 342
11．3．3 多基地超视距雷达预警系统 343
11．3．4 研究课题 345
11．4 NN-FR智能化多传感器复合制导技术 346
11．4．1 制导技术的发展 346
11．4．2 国内外研究概况 347
11．4．3 研究课题 348
后记 350
附录 英文缩写对照表 351
参考文献 354