第1章 信息融合概述 1
1.1 多传感器数据融合概述 1
1.1.1 多传感器数据融合的概念 1
1.1.2 多传感器数据融合的基本原理 2
1.1.3 多传感器数据融合的级别 4
1.1.4 JDL融合模型 8
1.2 多源遥感影像数据融合概述 10
1.2.1 多源遥感影像数据融合的概念 10
1.2.2 多源遥感影像数据融合原理 11
1.2.3 多源遥感影像数据融合的评价指标 12
1.3 多分类器融合概述 14
1.3.1 多分类器融合的基本原理 15
1.3.2 多分类器融合的体系结构 15
1.3.3 多分类器融合的分类 18
1.3.4 多数投票法 20
1.3.5 BKS方法 21
参考文献 23
第2章 融合检测技术 26
2.1 假设检验 26
2.1.1 假设检验问题描述 26
2.1.2 似然比判决准则 27
2.2 融合检测系统结构模型 34
2.2.1 集中式融合检测结构 34
2.2.2 分布式融合检测结构 35
2.3 并行分布式融合检测 36
2.3.1 并行分布式融合检测系统结构 36
2.3.2 并行分布式最优检测 37
2.4 串行分布式融合检测 39
2.4.1 串行分布式融合检测系统结构 39
2.4.2 串行分布式最优检测 40
2.5 树状分布式融合检测 43
2.5.1 树状分布式融合检测系统结构 43
2.5.2 树状分布式最优检测 44
2.6 分布式恒虚警概率检测 45
2.6.1 CFAR检测 45
2.6.2 分布式CFAR检测 47
参考文献 50
第3章 状态估计技术 52
3.1 基本Kalman滤波 52
3.1.1 离散时间线性动态系统描述 52
3.1.2 基本Kalman滤波算法 53
3.1.3 α-β和α-β-γ滤波 58
3.2 实用Kalman滤波算法 61
3.2.1 噪声相关的Kalman滤波 62
3.2.2 过程演化噪声为有色噪声的Kalman滤波 63
3.2.3 观测噪声为有色噪声的Kalman滤波 64
3.3 扩展Kalman滤波 66
3.3.1 离散时间非线性动态系统描述 66
3.3.2 扩展Kalman滤波算法 67
3.4 粒子滤波 71
3.4.1 Bayes滤波 71
3.4.2 蒙特卡洛方法 72
3.4.3 粒子滤波算法 74
3.5 不敏Kalman滤波 78
3.5.1 不敏变换 78
3.5.2 不敏Kalman滤波算法 79
参考文献 81
第4章 数据关联技术 83
4.1 数据关联概述 83
4.2 量测与航迹关联的最近邻方法 85
4.2.1 跟踪门 85
4.2.2 最近邻方法 87
4.3 量测与航迹关联的贝叶斯类方法 88
4.3.1 概率数据关联 89
4.3.2 联合概率数据关联 91
4.3.3 多假设法 98
4.4 量测与航迹关联的极大似然类方法 100
4.4.1 航迹分裂法 100
4.4.2 联合极大似然法 102
4.5 统计航迹关联算法 103
4.5.1 加权航迹关联法 104
4.5.2 修正航迹关联法 104
4.5.3 序贯航迹关联法 105
4.5.4 统计双门限航迹关联法 107
4.5.5 最近邻航迹关联法 107
4.6 模糊航迹关联算法 108
4.6.1 模糊双门限航迹关联算法 108
4.6.2 基于模糊综合函数的航迹关联算法 110
参考文献 113
第5章 状态融合估计技术 114
5.1 状态融合估计的系统结构 114
5.2 集中式系统的状态融合估计 116
5.2.1 集中式系统模型 116
5.2.2 并行滤波算法 117
5.2.3 序贯滤波算法 118
5.3 分布式系统的状态融合估计 120
5.3.1 航迹融合结构 120
5.3.2 航迹融合中的各传感器估计误差相关的原因 121
5.3.3 航迹融合算法 122
5.4 异步状态融合估计 127
5.4.1 顺序量测异步融合 128
5.4.2 非顺序量测异步融合 128
参考文献 129
第6章 基于Bayes理论的信息融合技术 130
6.1 基于Bayes理论的多传感器信息融合 130
6.1.1 Bayes推理 130
6.1.2 基于Bayes理论的多传感器特征信息融合 131
6.1.3 基于Bayes理论的多传感器决策信息融合 132
6.2 基于Bayes网络的信息融合 134
6.2.1 Bayes网络 134
6.2.2 动态Bayes网络 135
6.2.3 基于Bayes网络的多传感器信息融合 136
6.2.4 基于动态Bayes网络的主动信息融合 137
6.3 基于Bayes理论的多分类器信息融合 141
6.3.1 基于Bayes理论的多分类器合成规则 141
6.3.2 基于Bayes理论的多分类器置信水平合成 146
参考文献 148
第7章 基于证据理论的信息融合技术 149
7.1 证据推理基础 149
7.1.1 辨识框架 149
7.1.2 基本概率赋值函数、信任函数、似真函数与共性函数 150
7.1.3 Dempster合成公式 152
7.1.4 冲突证据的合成 154
7.1.5 转移信任模型 158
7.2 基于证据理论的多传感器信息融合 161
7.2.1 基本框架 162
7.2.2 基本概率分配函数的构造 162
7.2.3 D-S证据理论的判别准则 164
7.2.4 系统结构 165
7.3 基于证据理论的多分类器信息融合 170
7.3.1 度量级的多分类器信息融合 170
7.3.2 决策级的多分类器信息融合 172
7.3.3 基于证据理论的k-近邻分类器 177
参考文献 182
第8章 基于模糊集合论的信息融合技术 185
8.1 模糊集合论基础 185
8.1.1 模糊子集的概念 185
8.1.2 模糊子集的运算 186
8.1.3 模糊集合与普通集合的相互转化 188
8.1.4 模糊关系的定义 189
8.1.5 模糊关系的运算 190
8.1.6 模糊算子 192
8.2 基于扩张原则的多传感器测量信息融合 193
8.2.1 模糊融合 193
8.2.2 融合函数与顺序加权平均算子 194
8.2.3 相容性 196
8.2.4 部分信源融合 198
8.3 基于模糊逻辑的多传感器测量信息融合 201
8.3.1 一般模糊逻辑系统 201
8.3.2 T-S模糊逻辑系统 204
8.4 基于模糊积分的多分类器信息融合 205
8.4.1 gλ-模糊测度 205
8.4.2 模糊积分 206
8.4.3 模糊积分在多分类器融合中的应用 207
8.5 基于可能性理论的信息融合 208
8.5.1 可能性测度 208
8.5.2 融合规则 210
8.5.3 应用举例 215
参考文献 216
第9章 基于神经网络的信息融合技术 218
9.1 神经网络基础 218
9.1.1 人工神经元模型 218
9.1.2 神经网络的激活函数 219
9.1.3 神经网络的结构 220
9.1.4 神经网络的学习方法 221
9.2 基于BP神经网络的传感器数据融合 223
9.2.1 BP网络 223
9.2.2 基于BP神经网络的多传感器融合识别 224
9.3 基于支持向量机的传感器数据融合 226
9.3.1 支持向量机 227
9.3.2 基于支持向量机的传感器数据融合 231
9.4 基于RBF神经网络的多分类器融合 235
9.4.1 RBF网络 235
9.4.2 基于RBF神经网络的多分类器融合算法 236
参考文献 237
第10章 基于遗传算法的信息融合技术 238
10.1 遗传算法基础 238
10.1.1 遗传算法的生物学基础 238
10.1.2 遗传算法的基本流程 239
10.1.3 编码方法 242
10.1.4 适应度函数 244
10.1.5 选择算子 245
10.1.6 交叉算子 247
10.1.7 变异算子 249
10.2 信息融合中非可加集合函数的遗传算法确定 249
10.2.1 非负单调集合函数与非线性积分 250
10.2.2 优化问题 250
10.2.3 基于遗传算法的优化求解 251
10.3 基于遗传算法的多传感器融合 252
10.3.1 基于模糊逻辑的信息融合 252
10.3.2 传感器融合的适应度函数 253
10.4 基于遗传算法的多分类器融合系统设计 254
参考文献 256
第11章 态势估计技术 257
11.1 态势估计概述 257
11.1.1 态势估计的概念 257
11.1.2 态势估计功能模型 258
11.1.3 态势估计的关键技术 261
11.2 模板匹配方法 262
11.2.1 模板表示 263
11.2.2 模板匹配 265
11.3 专家系统方法 266
11.3.1 产生式规则 266
11.3.2 黑板模型 267
11.3.3 专家系统的建立步骤 268
11.4 规划识别方法 270
11.4.1 规划识别 270
11.4.2 基于规划知识图的态势估计方法 270
11.5 贝叶斯网络方法 275
11.5.1 贝叶斯网络的推理模式及推理算法 275
11.5.2 基于贝叶斯网络的态势估计 277
参考文献 278
第12章 威胁估计技术 280
12.1 威胁估计概述 280
12.1.1 威胁估计的概念 280
12.1.2 威胁估计的功能模型 280
12.1.3 威胁估计方法概述 284
12.2 多属性决策 285
12.2.1 决策矩阵及其规范化 286
12.2.2 权重确定 287
12.2.3 多属性决策方法 288
12.3 直觉模糊推理 292
12.3.1 直觉模糊集定义 293
12.3.2 直觉模糊关系 293
12.3.3 直觉模糊条件推理 294
12.4 支持向量回归机 296
12.4.1 线性支持向量回归机 296
12.4.2 非线性支持向量回归机 298
参考文献 299
第13章 传感器管理技术 301
13.1 传感器管理的内容与体系结构 301
13.1.1 传感器管理的内容 301
13.1.2 传感器管理系统的体系结构 302
13.1.3 传感器管理功能模型 304
13.2 传感器管理的功能 306
13.2.1 目标优先级建立 306
13.2.2 传感器向目标分配 308
13.2.3 传感器控制 310
13.2.4 传感器的指示与交接 312
13.2.5 传感器系统资源优化 314
13.3 传感器管理方法概述 316
13.3.1 基于规划论的方法 316
13.3.2 基于信息论的方法 317
13.3.3 基于模糊推理和神经网络的方法 319
13.3.4 基于知识和专家系统的方法 319
13.3.5 基于随机集合论的方法 319
参考文献 320
第14章 信息融合在军事中的应用 323
14.1 组网雷达的目标识别与威胁判断 323
14.1.1 雷达组网系统 323
14.1.2 雷达与ESM航迹关联 325
14.1.3 基于证据理论的目标融合识别方法 328
14.1.4 目标的威胁判断 330
14.2 多传感器组合导航系统 332
14.2.1 多传感器组合导航概述 332
14.2.2 组合导航系统的结构与算法 333
14.2.3 多传感器组合导航的融合模型 335
14.2.4 组合导航系统的关键技术 336
14.3 海军C4ISR系统中的信息融合 338
14.3.1 C4ISR系统中的信息融合模式 338
14.3.2 舰艇编队作战网络体系结构 340
14.3.3 舰艇编队信息融合体系结构 342
参考文献 343
第15章 信息融合在模式识别中的应用 344
15.1 基于信息融合的人脸识别 344
15.1.1 费歇尔脸方法 345
15.1.2 小波分解 346
15.1.3 基于小波变换与SVM的人脸识别 347
15.2 基于信息融合的语种识别 349
15.2.1 融合方式 349
15.2.2 语言辨识系统的决策级融合 355
15.2.3 D-S证据理论融合 358
参考文献 361
第16章 遥感图像融合技术与应用 363
16.1 图像配准基础 363
16.1.1 图像配准的基本框架 363
16.1.2 空间几何坐标变换 365
16.1.3 重采样 366
16.2 基于小波变换的图像融合方法 369
16.2.1 传统的小波变换融合算法 369
16.2.2 基于特征的小波变换融合算法 370
16.3 基于PCA变换的图像融合方法 371
16.3.1 PCA变换 371
16.3.2 PCA变换融合算法 371
16.3.3 基于PCA变换与小波变换的融合算法 372
16.4 基于IHS变换的图像融合方法 376
16.4.1 IHS变换 376
16.4.2 IHS变换融合算法 377
16.4.3 基于IHS变换与小波变换的融合算法 378
参考文献 380