《多传感器多源信息融合理论及应用》PDF下载

  • 购买积分:11 如何计算积分?
  • 作  者:彭冬亮,文成林,薛安克著
  • 出 版 社:北京:科学出版社
  • 出版年份:2010
  • ISBN:9787030276162
  • 页数:298 页
图书介绍:本书由浅入深地介绍了信息融合的概念、信息融合的经典方法和融合系统的模型。对于最近提出的随机集融合方法和粒子滤波的方法进行了较详细的讨论。分布式信息融合、异步信息融合和异类信息融合是目前信息融合研究中的热点和难点问题,基于作者已经开展的有关工作本书对这部分内容也做了一定的介绍。为了深入理解书中的算法和有关的理论知识,书中还给出了信息融合方法的有关应用实例。

第1章 多传感器多源信息融合概述 1

1.1 信息融合的概念及其优点 1

1.1.1 什么是信息融合 2

1.1.2 多源多传感器信息融合的优势 4

1.2 多源信息融合的模型 7

1.2.1 功能模型 7

1.2.2 结构模型 17

1.2.3 主要的信息融合技术和方法 22

1.3 信息融合的研究现状和存在的问题 26

1.3.1 多源信息融合的研究现状 26

1.3.2 多源信息融合存在的主要问题 29

1.4 信息融合技术的应用 31

1.5 本书结构 32

1.6 结论 32

参考文献 33

第2章 数学基础 38

2.1 概率论、随机过程与数理统计基础 38

2.1.1 事件与概率 38

2.1.2 随机变量及其分布 39

2.1.3 高斯随机变量 41

2.1.4 x2分布随机变量 43

2.1.5 多维随机向量 44

2.1.6 全概率公式与贝叶斯公式 47

2.1.7 随机过程 48

2.1.8 假设检验 51

2.1.9 Neyman-Pearson定理 52

2.2 线性代数、矩阵论与线性系统 53

2.2.1 矩阵基本概念 54

2.2.2 特征值与特征向量 56

2.2.3 矩阵求逆引理 58

2.2.4 矩阵微积分 59

2.2.5 线性系统理论 61

2.3 结论 63

参考文献 63

第3章 参数估计与滤波理论 64

3.1 参数估计基本概念 64

3.1.1 参数估计问题的基本描述 64

3.1.2 参数估计模型 65

3.2 最大似然估计 65

3.3 最小二乘估计 66

3.3.1 线性最小二乘估计的批处理算法 67

3.3.2 线性最小二乘估计的迭代算法 68

3.4 最大后验概率估计 70

3.5 最小均方误差估计 71

3.5.1 最小均方误差估计的一般形式 71

3.5.2 线性最小均方误差估计 71

3.6 Cramer-Rao下限和Fisher信息矩阵 73

3.7 Kalman滤波 74

3.7.1 系统模型 74

3.7.2 算法流程 74

3.7.3 Kalman滤波的优缺点 76

3.8 扩展Kalman滤波 76

3.8.1 系统模型 77

3.8.2 算法流程 77

3.8.3 扩展Kalman滤波的优缺点 79

3.9 Unscented滤波 79

3.9.1 Unscented变换 80

3.9.2 Unscented滤波算法流程 81

3.9.3 Unscented滤波的优缺点 83

3.10 粒子滤波 83

3.10.1 蒙特卡罗积分及重要度采样 83

3.10.2 粒子滤波 84

3.11 结论 87

参考文献 87

第4章 信息类型与传感器系统 89

4.1 信息类型概述 89

4.1.1 信息类型Ⅰ 89

4.1.2 信息类型Ⅱ 90

4.2 传感器系统 90

4.2.1 传感器系统概述 90

4.2.2 传感系统分类 91

4.2.3 人体感觉系统和常用传感器 92

4.2.4 传感系统设计相关问题 97

4.3 结论 98

参考文献 98

第5章 同步采样系统的分步式信息融合 99

5.1 多传感器系统采样分析 99

5.1.1 同步问题 99

5.1.2 异步问题 99

5.2 传统同步融合算法 100

5.2.1 系统描述 101

5.2.2 集中式扩维融合 101

5.2.3 测量值加权融合 102

5.2.4 局部估计值加权融合 103

5.2.5 算法性能分析 103

5.2.6 小结 104

5.3 基于分步式滤波的融合算法 105

5.3.1 算法描述 105

5.3.2 SSF算法理论推导 106

5.3.3 算法精度分析 108

5.3.4 SSF与CFA计算量比较 108

5.3.5 仿真算例 109

5.4 结论 113

参考文献 113

第6章 异步采样系统的信息融合 115

6.1 异步多传感器数据融合概述 115

6.2 基于传输短延迟的异步数据融合 117

6.3 分步式预测融合算法 118

6.3.1 连续系统描述 118

6.3.2 连续系统离散化 118

6.3.3 系统采样描述 119

6.3.4 分步式预测融合算法 120

6.3.5 算法分析 121

6.3.6 计算机仿真 122

6.4 基于匀速增量的异步融合算法 124

6.4.1 系统描述 124

6.4.2 异步采样描述 125

6.4.3 异步采样数据的顺序式融合算法流程 126

6.4.4 计算机仿真 128

6.4.5 小结 133

6.5 基于有理数倍采样的异步融合 133

6.5.1 有理数倍采样描述 133

6.5.2 离散状态模型 134

6.5.3 测量值映射 134

6.5.4 预备工作 135

6.5.5 AFASRNT异步融合算法流程 136

6.5.6 仿真算例 137

6.6 基于状态转换的顺序式异步融合算法 139

6.6.1 系统描述 140

6.6.2 采样过程描述 140

6.6.3 基于伪测量值的异步融合算法 141

6.6.4 基于状态转换的顺序式异步融合算法 142

6.6.5 仿真算例 145

6.6.6 算法性能分析 149

6.6.7 小结 151

6.7 结论 151

参考文献 152

第7章 多目标跟踪技术 154

7.1 引言 154

7.2 多目标跟踪的主要问题 155

7.2.1 跟踪门的形成与选择 156

7.2.2 数据关联与跟踪维持 157

7.2.3 跟踪起始和终结 158

7.2.4 漏报与虚警 158

7.3 经典的数据关联方法 158

7.3.1 最近邻法 158

7.3.2 概率数据关联 159

7.3.3 联合概率数据关联 161

7.4 多假设跟踪算法 166

7.4.1 多假设跟踪算法概述 166

7.4.2 m-最优MHT算法 168

7.4.3 改进的m-最优MHT算法 173

7.5 其他数据关联方法 176

7.5.1 基于图的数据关联方法 176

7.5.2 基于生物学的数据关联方法 179

7.6 结论 180

参考文献 180

第8章 机动目标跟踪 183

8.1 引言 183

8.2 机动目标运动模型 184

8.2.1 CV和CA模型 184

8.2.2 Singer模型 184

8.2.3 半马尔可夫模型 185

8.2.4 协同转弯模型 185

8.2.5 “当前”统计模型 186

8.3 单机动目标跟踪算法 186

8.3.1 多模型法 186

8.3.2 强机动目标跟踪自适应交互式多模型算法 190

8.3.3 三维强机动目标跟踪算法 197

8.3.4 三维强机动目标跟踪算法与强跟踪算法比较研究 205

8.4 多机动目标跟踪算法 208

8.4.1 基于IMMJPDA的多机动目标跟踪算法 209

8.4.2 基于IMMMHT的多机动目标跟踪算法 216

8.5 改进的IMMMHT算法 222

8.5.1 改进的IMMMHT算法 222

8.5.2 仿真情景及结构图 223

8.5.3 结果分析 226

8.6 结论 227

参考文献 227

第9章 纯方位角定位与跟踪 230

9.1 引言 230

9.2 单平台最优观测轨迹 231

9.2.1 静止目标的最优观测轨迹 231

9.2.2 匀速运动目标的最优观测轨迹 236

9.2.3 小结 238

9.3 纯方位角定位 238

9.3.1 伪线性估计 239

9.3.2 迭代最小二乘估计 240

9.3.3 单步最优观测轨迹下的ILS目标定位 241

9.4 单站纯方位角目标跟踪 243

9.4.1 系统模型 243

9.4.2 纯方位角目标跟踪EKF算法 244

9.5 双基站纯方位角目标跟踪 245

9.5.1 系统模型 246

9.5.2 EKF及UKF算法 247

9.6 变周期RP-EKF时延纯方位角目标跟踪 249

9.6.1 问题描述 250

9.6.2 RP-EKF算法 252

9.6.3 模型可变周期的确定 254

9.6.4 仿真及结果分析 255

9.7 结论 256

参考文献 257

第10章 随机集理论及其在信息融合中的应用 258

10.1 概述 258

10.1.1 研究背景 259

10.1.2 随机集理论的发展 260

10.1.3 相关应用 262

10.2 相关方法与有限集合统计学的关系 262

10.2.1 随机测度理论和随机集合理论 262

10.2.2 专家系统 263

10.2.3 “plain-vanilla”贝叶斯方法 263

10.2.4 粒子滤波方法 263

10.2.5 其他相关方法 264

10.3 随机(有限)集的基本思想和理论框架 264

10.3.1 状态空间和测量空间的随机集表示 265

10.3.2 多目标信任质量函数和密度函数 265

10.3.3 集合积分和集合微分 266

10.3.4 规范Bayes建模方法 267

10.3.5 不确定信息的规范建模 270

10.4 随机有限集方法在信息融合中的应用 271

10.4.1 信息融合算法的科学评价 271

10.4.2 SAR图像的ATR 271

10.4.3 群目标跟踪 271

10.4.4 传感器管理 272

10.5 发展方向和展望 273

10.6 结论 274

参考文献 274

第11章 信息融合技术的应用实例 279

11.1 基于多传感器融合理论的过程监控 279

11.1.1 过程监控 279

11.1.2 基于状态估计的过程监控 280

11.1.3 基于信息融合理论的过程监控 283

11.1.4 小结 289

11.2 海洋监测的信息融合体系 289

11.2.1 数据收集层的处理 291

11.2.2 低级的数据处理 292

11.2.3 高层数据处理 295

11.2.4 小结 297

11.3 结论 298

参考文献 298