引言 1
第1章 多传感器数据融合 4
1.1 面临的挑战 4
1.2 存在的问题 5
1.2.1 数据诠释与建模 7
1.2.2 可靠性处理 8
1.2.3 知识传播 9
1.2.4 模糊数据匹配 9
1.2.5 信源组合 10
1.2.6 决策 11
1.3 解决方案 13
1.3.1 有用理论的综述 13
1.3.2 流程架构 15
1.4 多传感器数据融合定位 16
1.4.1 问题的特殊性 16
1.4.2 多传感器数据融合的应用 17
第2章 引用形式体系 18
2.1 概率 18
2.2 模糊集 20
2.3 可能性理论 22
2.4 可信度函数理论 24
2.4.1 基本函数 24
2.4.2 一些特别有用的情况 26
2.4.3 调节／失调 27
2.4.4 细化／粗化 27
第3章 集合管理与信息传播 29
3.1 模糊集：不精确性的传播 29
3.2 概率和可能性：针对不确定性的同样方法 30
3.3 可信度函数：传播的总体视图 31
3.3.1 一个通用运算：扩展 31
3.3.2 具有最小特异性的质量分布函数的阐述 33
3.3.3 扩展运算的直接利用 35
3.4 应用实例：随时间推移的知识更新 35
第4章 信息可靠性管理 38
4.1 能度视图 38
4.2 可信度函数的剔除 39
4.3 可靠性综合处理 40
4.4 信源的有效性域管理 41
4.5 多光谱图像像素融合的应用 43
4.6 评估问题的构想 46
第5章 信源组合 49
5.1 概率：即用的解决方案，贝叶斯推理 49
5.2 模糊集：公理理解 50
5.3 可能性理论：基本原理的简易途径 55
5.4 可信度函数理论：传统方法 57
5.5 组合的一般方法：任何集合和逻辑 60
5.6 冲突管理 63
5.7 回到Zadeh悖论 65
第6章 数据建模 68
6.1 信号特性 68
6.2 概率：即刻考虑 69
6.3 可信度函数：一个开放式的总体框架 70
6.3.1 整合数据到融合过程 70
6.3.2 普遍问题：Cij值的建模 72
6.3.3 采用随机学习的建模测量 73
6.3.4 采用模糊学习的建模测量 76
6.3.5 可信度函数模型的概述 78
6.4 可能性：一种类似的方法 81
6.5 应用于分类的教学范例 83
第7章 分类：信源多样性的决策利用 88
7.1 决策：选择最可能的假想 88
7.2 决策：确定最可能的假想集 89
7.3 决策运算的性能：一些实际的例子 91
7.4 信源多样性的利用：二元比较的整合 93
7.5 信源多样性的利用：基于不同但交叠集的分类 95
7.6 属性多样性的利用：机载图像数据融合的应用示例 100
第8章 空间维度：数据联合 103
8.1 数据联合：多传感器数据融合不可避免的多样性问题 103
8.2 数据联合的普遍方法构建 105
8.3 方法实施的简例 108
第9章 时间维度：跟踪 111
9.1 跟踪：开发多传感器数据融合的优点 111
9.2 贝叶斯滤波器的表示 114
9.2.1 统计门控 114
9.2.2 更新 115
9.2.3 预测 115
9.3 信号判别过程 116
9.3.1 每个分解单元级别的融合 116
9.3.2 确认门控级别的融合 117
9.3.3 辨别方法实际实施的概述 119
9.4 基础MSF的扩展 120
9.4.1 数据联合 120
9.4.2 多目标的联合跟踪 120
9.4.3 多模型滤波 121
9.5 应用实例 122
9.5.1 提取能力 122
9.5.2 陌生特征的处理 123
9.5.3 空间模糊观察的跟踪 125
结论 127
参考文献 130