第1章 现代情报和安全问题对信息融合技术的能力挑战 1
1.1支持信息的异质性 3
1.1.1观测数据 3
1.1.2开源和社会媒体数据 3
1.1.3上下文数据 3
1.1.4本体数据 5
1.1.5习得信息 5
1.2公共参考和数据关联 6
1.3语义学 7
1.4图形表示和方法 8
1.5总体系统架构和分析框架 9
1.6能力短板和研究需要 12
1.7结论 13
致谢 13
参考文献 13
第2章 传感器数据融合：以数据为中心的先进算法回顾和新兴趋势概述 17
2.1简介 19
2.2多传感器数据融合 19
2.2.1多传感器数据融合是什么 19
2.2.2多传感器数据融合的应用 20
2.3以数据为中心的多传感器数据融合分类方法 21
2.3.1缺陷数据的融合 23
2.3.2相关数据的融合 24
2.3.3非一致性数据的融合 24
2.3.4分散数据的融合 26
2.4数据融合系统的评估 26
2.5多传感器发展的新方向 28
2.5.1社交数据融合 28
2.5.2机会数据融合 28
2.5.3适应性融合和学习 29
2.5.4数据可靠性和信度 29
2.5.5云计算和大数据融合技术中的数据融合 30
2.5.6数据流的融合 30
2.5.7低级与高级数据融合 31
2.5.8JDL模型的演变 31
2.6结论 31
参考文献 32
第3章 信息融合理论的应用 41
3.1引言 43
3.1.1军事系统数据融合的相关问题 43
3.1.2数据融合的主要功能 43
3.1.3信息质量的重要性 44
3.1.4信息质量类型 44
3.2数据融合理论 45
3.2.1可信性质量分配 46
3.2.2概率 47
3.2.3可能性-必然性 47
3.2.4信度-似真度 48
3.3性能比较 49
3.3.1非相加性的综合作用 50
3.3.2不确定的信度和可靠性 51
3.3.3性能比较的结论 52
3.4实验 53
3.4.1客观不确定性实验 53
3.4.2主观不确定性实验 55
3.5冲突测量时的加权决策 57
3.6结论 59
参考文献 59
第4章 面向信息管理企业的JDL模型（Ⅲ）改进 61
4.1引言 63
4.2信息融合处理模型 64
4.3信息管理企业 68
4.3.1企业中的信息融合建模 68
4.3.2信息管理模型 70
4.3.3云的分层视图 71
4.3.4上下文的系统级管理 72
4.4机器分析 73
4.4.1建模分析 73
4.4.2数据融合分析 75
4.5用户参与 76
4.6信息利用分析 77
4.6.1使用物理和人为数据的上下文跟踪 77
4.6.2信息管理上下文跟踪 78
4.7结论 80
致谢 81
参考文献 81
第5章 随机集信息融合基础 85
5.1引言 87
5.2有限集统计方法 88
5.3单传感器单目标系统 89
5.3.1单传感器/目标系统：递归贝叶斯滤波 89
5.3.2单传感器/单目标系统：矩近似 90
5.3.3单传感器/目标系统：目标建模 90
5.3.4单传感器/目标系统：传感器建模 91
5.3.5单传感器/目标系统：“真实”马尔科夫密度和似然 92
5.4多传感器多目标系统 92
5.4.1多传感器多目标系统：随机有限集 92
5.4.2多传感器多目标系统：RFS的概率分布 92
5.4.3多传感器多目标系统：多传感器多目标贝叶斯滤波器 93
5.4.4多传感器多目标系统：多目标运动建模 94
5.4.5多传感器多目标系统：多目标量测建模 95
5.4.6多传感器多目标系统：用于建模的多目标微积分 95
5.5原则性近似多目标滤波器 96
5.5.1泊松近似：PHD滤波器 96
5.5.2独立同分布群近似：CPHD过滤器 97
5.5.3多伯努利近似：多伯努利滤波器与GLMB滤波器 97
5.6有限集统计近似方法论 98
5.7结论 98
参考文献 98
第6章 带过程噪声的动态系统最优融合 101
6.1引言 103
6.2分布式估计问题 104
6.2.1状态模型和量测模型 104
6.2.2集中式融合 105
6.2.3分布式估计结构 105
6.3非线性系统的最优融合 107
6.3.1贝叶斯分布式融合方程 107
6.3.2具有确定性动态的非线性系统贝叶斯融合 107
6.3.3不确定性动态的贝叶斯融合 108
6.4带过程噪声的线性系统最优融合 109
6.4.1高斯随机向量的贝叶斯分布式融合 109
6.4.2标准的航迹段或等价检报融合 110
6.4.3基于增广状态的tracklet融合 111
6.5带过程噪声线性系统的其他融合方法 112
6.5.1最大似然互协方差融合 112
6.5.2最小方差（MV）融合 113
6.5.3分布式卡尔曼滤波器 114
6.5.4基于累积状态密度（ASD）的航迹融合 115
6.6性能评估 116
6.6.1目标模型和量测模型 116
6.6.2性能结果 116
6.7结论 118
附录 118
参考文献 119
第7章 数据融合的模糊多判据方法 123
7.1引言 125
7.2数据融合概述 125
7.2.1数据融合主要类型 125
7.2.2现有模型 127
7.3FIF算法 130
7.3.1背景与范围 130
7.3.2FIF结构 131
7.4示例应用 134
7.4.1IPSIS——避险安全着陆 134
7.4.2ILUV无人机着陆点选择 137
7.5结论 140
致谢 140
参考文献 140
第8章 异类传感器的分布式检测和数据融合 145
8.1概述 147
8.2分布式检测理论基础 148
8.2.1条件独立检测 149
8.2.2相关观测 150
8.3异类传感器的分布式检测 151
8.3.1异类数据的建模 152
8.3.2基于（错误）GLRT的融合准则 156
8.3.3计算有效的融合规则 158
8.3.4例子 162
8.4结论 164
致谢 165
参考文献 165
第9章 基于信息质量的融合系统评估 169
9.1引言 171
9.2数据和信息质量 171
9.2.1信息质量：综述 171
9.2.2融合系统中的数据和信息 174
9.3信息质量评估方法 175
9.3.1系统分解：局部质量 175
9.3.2质量传递函数 176
9.3.3信息融合系统评估 178
9.4结论和观点 180
参考文献 180
第10章 传感器故障鲁棒融合 183
10.1引言 185
10.2传感器和传感器故障模型 186
10.3最小贝叶斯风险融合 187
10.4顾及传感器失效的最小叶贝斯风险融合 187
10.4.1已知的传感器特征 187
10.4.2未知的传感器特征 189
10.5数值实验 190
10.5.1示例：独立故障和已知特征 190
10.5.2示例：相关故障与未知特征 190
10.5.3RSVP-键盘 192
10.6传感器特征在线学习 193
10.7结论 195
参考文献 195
第11章 多传感器卡尔曼滤波和数据融合中相关信息的处理 197
11.1引言 199
11.1.1预备知识 199
11.2组网系统中的状态估计 200
11.2.1卡尔曼滤波 200
11.2.2多传感器系统和网络 201
11.3相关性信息的来源 201
11.3.1常见传感器数据的重复计算 202
11.3.2共同先验信息和过程噪声 202
11.3.3组网状态估计策略 203
11.4集中式多传感器状态估计 204
11.4.1多传感器卡尔曼滤波 204
11.4.2信息滤波 205
11.5协同分布式状态估计 206
11.5.1联邦卡尔曼滤波 207
11.5.2最优分布式卡尔曼滤波 209
11.5.3假设卡尔曼滤波 211
11.5.4一致性卡尔曼滤波 212
11.6分散式状态估计与数据融合 213
11.6.1最优融合 214
11.6.2椭球交叉 215
11.6.3协方差交叉 216
11.7结论 217
参考文献 218
第12章 容积信息滤波器——多传感器融合理论与应用 221
12.1引言 223
12.2信息滤波：简要回顾 223
12.2.1信息融合 224
12.3平方根容积信息滤波器 225
12.3.1时间更新 225
12.3.2量测更新 226
12.4应用 229
12.4.1带反馈的分布式传感器网络的机动目标跟踪 229
12.4.2两相永磁同步电机的速度和转子位置估计 232
12.5结论 233
参考文献 234
第13章 线性等式约束系统的估计融合 235
13.1引言 237
13.2问题描述 238
13.3约束的集中式融合 239
13.3.1伪量测方法 239
13.3.2投影方法 240
13.3.3零空间方法 241
13.3.4直接消除法 242
13.4约束的分布式融合 244
13.5举例和讨论 245
13.6结论 248
参考文献 248
第14章 基于容积卡尔曼滤波器的异步多传感器非线性信息融合算法 251
14.1引言 253
14.2背景 253
14.2.1多传感器信息融合 253
14.2.2容积滤波器的解 255
14.3基于CKF的异步多传感器非线性信息融合算法 256
14.4仿真结果 258
14.5结论 260
参考文献 260
第15章 多传感器概率假设密度滤波器解析实现 263
15.1引言 265
15.2问题提出 266
15.3MS-PHD校正 267
15.4线性高斯模型下高斯混合MS-PHD校正 269
15.4.1基本假设 269
15.4.2主要结论总结 270
15.5有效的二元分划 273
15.6仿真结果 275
15.7结论 278
致谢 278
参考文献 278
第16章 带乘性噪声的多传感器多速率系统信息融合估计 281
16.1介绍 283
16.2问题描述 284
16.3集中式融合滤波 285
16.4分布式融合滤波 287
16.4.1系统转换 288
16.4.2局部状态估计 289
16.4.3互协方差矩阵的计算 289
16.4.4矩阵加权分布式融合估计 290
16.5仿真 291
16.6结论 293
致谢 293
参考文献 293
第17章 滤波误差和量测噪声协方差奇异时的最优分布式卡尔曼滤波融合 297
17.1介绍 299
17.2问题模型 301
17.3具有奇异滤波误差协方差的分布式卡尔曼滤波融合 303
17.4当滤波误差的协方差奇异时，反馈卡尔曼滤波融合的最优特性 305
17.5滤波误差和量测噪声协方差奇异时的最优卡尔曼滤波融合 306
17.6数值算例 308
17.7结论 312
附录Ⅰ 312
附录Ⅱ 317
参考文献 320
第18章 累计状态密度及其在目标跟踪中的应用 323
18.1简介 325
18.2跟踪目标问题 325
18.3贝叶斯跟踪范式 326
18.4累计状态密度（ASD）的概念 328
18.4.1ASD的通用表达 328
18.4.2MHT/IMM滤波中的ASD 331
18.5ASD和失序测量 334
18.5.1修正的卡尔曼更新步骤 336
18.5.2计算成本 336
18.5.3仿真例子的讨论 337
18.6ASD和数据扩增方法 339
18.6.1期望和最大化步骤 340
18.6.2ASD和Q函数 342
18.7分布ASD融合 343
18.7.1DASD滤波器应用 346
18.7.2滑动窗口机制 347
18.7.3数值评估 348
附录 349
18A.1同变量高斯的乘积公式 349
18A.2线性条件高斯的乘积公式 350
18A.3块矩阵的逆 350
18A.4高斯ASD：证明的细节 350
参考文献 353
第19章 基于信任函数的多传感器多目标分类解决方案 355
19.1概述 357
19.2信任函数理论基础 357
19.2.1知识表示 358
19.2.2知识组合 358
19.2.3决策 359
19.2.4广义贝叶斯理论 359
19.3局部跟踪方法 359
19.3.1目标模型的演变 359
19.3.2局部跟踪算法 360
19.4局部分类 360
19.4.1行为似然计算 360
19.4.2贝叶斯分类器 361
19.4.3Credal分类器 361
19.5全局分类 362
19.5.1航迹与航迹关联 362
19.5.2局部分类融合 364
19.6海上目标仿真实例 364
19.6.1描述 364
19.6.2仿真和结果 366
19.6.3分配仿真 366
19.6.4局部分类结果 367
19.6.5全局分类结果 370
19.7结论 371
参考文献 372
第20章 认知无线传感器网络中的决策融合 375
20.1介绍 377
20.2系统模型 378
20.3单节点场景 380
20.4网络场景 382
20.4.1无通信噪声且未编码的场景 382
20.4.2具有通信噪声的编码场景 385
20.5数值结果 386
20.5.1未编码场景 387
20.5.2编码场景 388
20.6结论 389
参考文献 389
第21章 代理意见间形成一致性的动态 391
21.1引言 393
21.2初步基础 394
21.2.1图论概念 395
21.2.2DS框架 395
21.2.3仿缩算子 397
21.3代理意见及其交互 398
21.3.1代理状态更新 399
21.3.2意见和信任修订建模 401
21.3.3代理交互建模 403
21.4一致性形成的动态 404
21.4.1一致性概念 404
21.4.2一致性仿缩算子 405
21.4.3达成一致性 406
21.5结论 410
参考文献 410
第22章 非高斯不确定性网络中分布式贝叶斯融合 413
22.1引言 415
22.2最优贝叶斯分布式数据融合 416
22.2.1本地数据融合 416
22.2.2本地和远程数据融合 417
22.2.3贝叶斯分布式数据融合 417
22.3非高斯分布近似分布式数据融合 418
22.3.1应用1：分布式地形定位 418
22.4传统分布式数据融合 423
22.4.1传统分布式数据融合算法的描述 423
22.4.2传统分布式数据融合规则 424
22.4.3加权函数的最优化 424
22.5传统非高斯分布分布式数据融合 425
22.5.1应用2：AD HOC网络中的目标搜索 425
22.5.2WEP融合分布的高斯混合近似 429
22.6结论和研究方向 433
22.6.1随机有限集模型的分布式融合 434
22.6.2因数分解概率信心模型的分布式融合 434
22.6.3贝叶斯非参数模型分布式融合 435
参考文献 435
第23章 网络物理系统的进攻——复原传感器融合 439
23.1引言 441
23.2基本概念 442
23.2.1传感器模型 442
23.2.2融合算法 443
23.3调度量测传输 444
23.4使用系统力学和量测历史 447
23.4.1扩展传感器融合算法 448
23.4.2系统动态性介绍 448
23.5结论 453
参考文献 453
第24章 基于证据理论的多传感器数据融合水质量评估 455
24.1引言 457
24.2基于DS证据理论的水质量评估 458
24.2.1DS证据理论 458
24.2.2水质量评估 459
24.3实验和结论 462
24.4结论 465
参考文献 465
第25章 再生式生命保障系统颗粒传感器融合方法 467
25.1引言 469
25.1.1再生式生命保障系统的背景 469
25.1.2再生式生命保障系统面临的挑战 470
25.1.3再生式生命保障系统的传感器融合 471
25.2自动化系统的颗粒化方法 472
25.2.1基于模糊关联存储代理框架 472
25.2.2栖息地模型的应用 474
25.2.3粒状方法的结果 475
25.3面向情境的人类自动化系统方法 478
25.3.1颗粒多传感器数据融合方法 478
25.3.2关于水生环境模型的数值例子 483
25.4结论和未来的发展方向 484
参考文献 485
第26章 图像融合性能评估：从指标到认知 489
26.1引言 491
26.2图像融合性能评估 492
26.2.1图像融合：作用与过程 492
26.2.2客观融合指标 494
26.2.3主观评估 503
26.2.4自然图像解译度分级标准 505
26.2.5融合性能评估数据的统计分析 508
26.3夜间融合图像评估 511
26.3.1客观评估实验 511
26.3.2客观与主观评估结果的统计分析实验 516
26.4结论 521
参考文献 522
第27章 医学图像的特征与数据融合综述 525
27.1引言 527
27.2特征级医学图像融合方法 527
27.2.1数学形态学算子与滤波器 528
27.2.2基于小波的特征融合 528
27.2.3基于小波混合特征融合 529
27.2.4成分分析技术 529
27.2.5基于变换的方法 529
27.3医学成像中的数据融合方法 530
27.3.1数据融合方法的背景知识 530
27.3.2人工神经网络在数据融合中的应用 530
27.3.3基于混合人工神经网络的数据融合 530
27.3.4模糊逻辑数据融合 530
27.3.5基于混合模糊逻辑的数据融合 531
27.3.6基于SVM分类器的方法 531
27.3.7基于混合SVM分类器的方法 531
27.4讨论和结论 531
参考文献 532
第28章 多传感器数据融合结构设计以及在体育运动评估中的应用 549
28.1简介 551
28.1.1体育运动评估中的融合 551
28.1.2架构 551
28.1.3融合策略 551
28.2传感器数据表示 552
28.2.1体育运动测量传感器 552
28.2.2特征提取 553
28.2.3特征选取 554
28.3数据融合算法 554
28.3.1候选特征介绍 554
28.3.2例子：SVM 555
28.3.3融合策略的比较 557
28.4结论 558
参考文献 558
第29章 从理论到飞行测试：弹头姿态估计中的数据融合 563
29.1弹头轨迹及特征 565
29.1.1姿态估计发展概况 565
29.1.2为什么不能使用经典惯性测量装置 565
29.2姿态估计中的数据融合 566
29.2.1概念 566
29.2.2嵌入式传感器 566
29.3弹头行为建模 567
29.3.1理论和公式 567
29.3.2用于实时估计的模型仿真 568
29.4估计仿真结果 569
29.4.1仿真方法描述 570
29.4.2仿真结果 570
29.5场内实验 572
29.5.1实验描述 572
29.5.2场内实验结果 573
29.6飞行实验 574
29.6.1飞行过程中转动角实时估计 574
29.6.2姿态角实时估计 576
29.7结论 578
参考文献 578
第30章 数据融合在远程健康与自动诊断中的应用 579
30.1引言 581
30.2家居智能（HIS）：从室内传感器到行为分析 581
30.2.1引言和最新进展 581
30.2.2情景感知智能家居的挑战 583
30.2.3HIS平台 584
30.3智能手机数据分析和解释 587
30.3.1最新进展 587
30.3.2智能手机设置和角度数据计算 588
30.3.3一个用于个人平衡能力评估、监测和训练的完整系统 589
30.4结论 591
致谢 591
参考文献 592
第31章 汽车系统传感器数据融合 597
31.1介绍 599
31.2汽车传感器 600
31.3传感器数据融合 604
31.4结论 611
参考文献 612
第32章 智能交通运输工程中的数据融合近期发展与挑战 613
32.1引言 615
32.2传感器和数据融合的历史发展 615
32.3传感器与数据融合是智能运输系统工程的有机组成 618
32.4适合于智能运输系统的传感器和数据融合体系结构 619
32.4.1传感器级融合 620
32.4.2中心级融合 620
32.4.3混合式融合 622
32.4.4像素级融合 623
32.4.5特征级融合 623
32.4.6决策级融合 623
32.5其他融合模型与体系结构 623
32.5.1元体系结构 624
32.5.2算法体系结构 624
32.5.3概念体系结构 624
32.5.4逻辑体系结构 624
32.5.5运行结构 625
32.5.6基于传感器计算描述的融合 625
32.6智能交通运输系统中数据融合的机遇与挑战 625
32.6.1智能交通运输系统应用的数据融合算法 627
32.6.2人工神经网络 628
32.6.3模糊逻辑 628
32.6.4基于知识的专家系统 628
32.6.5卡尔曼滤波与非线性运动仿真技术 629
32.7智能运输系统数据融合的应用策略与实例 630
32.7.1高级运输管理系统 630
32.7.2自动事件检测 631
32.7.3网络控制 632
32.7.4高级旅客信息系统 632
32.7.5高级驾驶助手 634
32.7.6事故分析与预防 635
32.7.7交通需求预测 635
32.7.8交通预测和交通监控 636
32.7.9精确位置估计 636
32.8数据融合算法选择 638
32.9数据融合问题研究的新需求 642
32.9.1融合系统输入数据质量的可靠性和可信性 642
32.9.2基于性能度量评估融合系统性能 642
32.9.3真值 643
32.9.4商业操作系统与数据库管理系统的适用性 643
32.9.5基于最坏场景的设计 643
32.10结论和展望 643
参考文献 644
第33章 多传感器数据融合在交通拥堵分析中的应用 651
33.1引言和背景 653
33.2模型方法 655
33.2.1模型公式 655
33.2.2交通流模型 657
33.3卡尔曼滤波估计 659
33.4路段研究和数据收集 661
33.4.1路段研究 661
33.4.2数据收集 661
33.5估计方法的实现和评估 663
33.6结论 664
参考文献 665
第34章 一致性分布式扩展卡尔曼滤波器的大规模高速公路网状态估计 669
34.1引言 671
34.2LWR交通流模型的Godunov方案 672
34.3用于状态和输入同时估计的EKF 673
34.4一致性分布式EKF滤波 675
34.5实验研究 676
34.6结论 679
致谢 680
参考文献 680