第一部分 研究现状 3
第1章 多源数据融合概述 3
1.1多传感器数据融合定义 3
1.2多传感数据融合面临的问题 4
习题 5
第2章 信息融合的原理和级别 6
2.1信息融合的基本原理 6
2.2信息融合的级别 6
2.2.1信源 8
2.2.2信源预处理 8
2.2.3检测级融合 8
2.2.4位置级融合 9
2.2.5目标识别融合 9
2.2.6态势估计 9
2.2.7威胁估计 10
2.2.8精细处理 11
2.2.9数据库处理 11
习题 11
第3章 多传感器数据融合算法 12
3.1有缺陷的数据融合 13
3.1.1概率融合 14
3.1.2证据置信度推理 15
3.1.3融合和模糊推理 16
3.1.4可能性融合 17
3.1.5基于粗糙集融合 18
3.1.6混合融合方法 18
3.1.7随机集理论融合 19
3.2相关数据的融合 20
3.2.1消除数据关联性 20
3.2.2数据融合中存在未知的相关性 21
3.2.3不一致数据融合 21
3.2.4虚假数据 21
3.2.5脱离序列数据 22
3.2.6冲突数据 22
3.3融合异质数据 23
习题 24
第4章 多传感分布检测 25
4.1 Neyman-Pearson公式 25
4.1.1并行拓扑结构 25
4.1.2串行拓扑结构 27
4.2 Bayes公式 29
4.2.1并行结构 29
4.2.2串行拓扑结构 31
4.2.3更一般的网络拓扑结构 32
习题 32
第5章 传感器管理 33
5.1传感器管理的定义 33
5.2数据融合系统中的传感器管理 34
5.3传感器管理的内容 35
5.4传感器管理的结构 36
习题 39
第6章 数据融合的现状和趋势 40
6.1新兴融合模式 40
6.1.1软/硬数据融合 40
6.1.2机会数据融合 40
6.1.3自适应融合和研究 40
6.2正在进行的数据融合研究 41
6.2.1自动融合 41
6.2.2置信度可靠性 41
6.2.3安全融合 41
6.2.4融合评估 42
习题 43
第二部分 数学理论基础 47
第7章 Bayes方法 47
7.1 Bayes方法的发展 47
7.2 Bayes定理 47
7.2.1条件概率 47
7.2.2概率乘法规则 48
7.2.3全概率公式 48
7.2.4 Bayes概率 49
7.3多源数据融合中的Bayes方法 50
7.4 Bayes方法的优缺点 51
习题 51
第8章 模糊集理论 53
8.1模糊数学概念 53
8.1.1经典集合相关定义与基本概念 54
8.1.2经典集合之间的关系与运算 54
8.2模糊集集合 55
8.2.1基本模糊集运算 56
8.2.2模糊集的基本定理 57
8.3模糊聚类分析 58
8.3.1聚类分析的数学模型 58
8.3.2模糊关系 59
8.3.3模糊关系的定义 60
8.4模糊型识别 61
8.4.1第一类模糊模型识别 61
8.4.2第二类模糊模型识别 62
8.5模糊决策 62
8.5.1模糊意见集中决策 63
8.5.2模糊二元对比决策 63
8.6模糊综合评判决策 63
8.6.1经典综合评判决策 63
8.6.2模糊映射与模糊变换 64
习题 64
第9章 粗糙集理论 66
9.1知识与知识系统 66
9.2粗糙集与不精确范畴 66
9.3知识约简与知识依赖 67
9.4知识表达系统 67
9.5粗糙集理论在信息融合中的应用 68
习题 68
第10章 Monte Carlo理论 70
10.1 Monte Carlo基本理论 70
10.1.1概述 70
10.1.2 Monte Carlo方法 71
10.2 Markov Chain Monte Carlo算法 73
10.2.1 Markov链概念 74
10.2.2 Markov过程的分类 74
10.2.3齐次Markov链 75
10.2.4隐式Markov模型 76
10.2.5隐式半Markov模型 77
10.2.6 Metropolis-Hastings算法 79
10.2.7 Gibbs抽样 80
习题 81
第11章 Dempster-Shafer证据理论 82
11.1 Dempster-Shafer理论基本概念 82
11.2 Dempster-Shafer组合规则 83
11.3 Dempster-Shafer组合规则的相关改进 83
11.4 Dempster-Shafer理论的推广 84
11.4.1广义Dempster-Shafer理论简介 84
11.4.2条件化Dempster-Shafer理论 85
11.4.3 Dempster-Shafer理论在模糊集合上的推广 86
习题 87
第12章 估计理论 88
12.1估计理论基础 88
12.1.1一般概念 88
12.1.2 Bayes点估计理论 89
12.1.3加权最小二乘法估计 90
12.1.4极大似然估计与极大后验估计 91
12.1.5主成分估计 91
12.1.6递推最小二乘法估计与最小均方估计 94
12.1.7最佳线性无偏最小方差估计 95
12.2混合系统多模型估计 96
12.2.1多模型估计概念 97
12.2.2定结构多模型估计 98
12.2.3交互式多模型算法 101
12.2.4变结构多模型算法 103
12.3期望最大化方法 107
12.3.1 EM方法描述 107
12.3.2混合Gauss参数估计的EM算法 109
习题 110
第13章 滤波器理论 111
13.1基本概念 111
13.1.1离散时间线性系统模型 111
13.1.2连续时间线性系统的离散化 111
13.2 Kalman滤波器 113
13.2.1基本Kalman滤波器 113
13.2.2信息滤波器 115
13.2.3最优Bayes滤波器 116
13.2.4扩展Kalman滤波器 118
13.2.5迭代扩展Kalman滤波 121
13.2.6强跟踪滤波器 122
13.2.7无迹Kalman滤波 125
13.2.8中心差分Kalman滤波器 127
13.3粒子滤波器 129
13.3.1粒子滤波方法 129
13.3.2基本粒子滤波算法 133
13.3.3辅助粒子滤波 135
13.3.4正则粒子滤波 136
习题 137
第三部分 多源数据融合算法 141
第14章 Bayes决策 141
14.1简介 141
14.2基于最小错误率的Bayes决策 141
14.2.1两类情况 141
14.2.2多类情况 144
14.3基于最小风险的Bayes决策 145
14.3.1条件期望风险 145
14.3.2期望风险 145
14.3.3最小风险Bayes决策规则 145
14.3.4最小风险Bayes决策的步骤 146
14.3.5最小错误率与最小风险的Bayes决策规则的联系 146
习题 146
第15章 正态分布时的统计决策 149
15.1单变量正态分布 149
15.2多元正态分布 150
15.3多元正态分布情况下的Bayes分类方法 153
习题 157
第16章 最大最小决策 158
习题 160
第17章 神经网络 161
17.1神经网络的概述 161
17.2人工神经网络 161
17.3 BP神经网络 162
17.4神经网络的发展趋势及前沿问题 164
习题 164
第18章 支持向量机 165
18.1线性支持向量机基础 165
18.1.1支持向量机标准形式 165
18.1.2最优超平面 166
18.1.3核函数 166
18.1.4支持向量机算法 167
18.2线性支持向量机 168
18.2.1线性可分离的情况 168
18.2.2线性不可分的情况 169
18.3非线性支持向量机 169
18.4新型支持向量机 170
18.5小波支持向量机 171
18.5.1小波概念 172
18.5.2小波SVM 172
习题 173
第19章 Bayes网络 174
19.1 Bayes网络的概述 174
19.2 Bayes网络的理论基础 174
19.3 Bayes网络的表示 175
19.3.1 Bayes网络的定义 175
19.3.2 Bayes网络中的独立关系 176
19.4 Bayes网络的构建 178
19.4.1构建Bayes网络 178
19.4.2 Bayes网络的结构学习 179
19.4.3 Bayes网络的参数学习 180
19.5 Bayes网络的推理 182
习题 184
第四部分 多源数据融合应用 187
第20章 分布式检测和融合 187
20.1系统模型和决策融合规则 187
20.1.1问题简述 187
20.1.2决策融合规则 189
20.1.3分层网络结构 189
20.2性能分析 191
20.2.1系统级的误警率 191
20.2.2系统级的检测概率 192
20.2.3仿真结果 193
20.2.4渐进分析 195
20.2.5决策融合规则的最佳性 195
20.3局部传感器的阈值 199
习题 202
第21章 分布式目标追踪的高效管理策略 203
21.1一般问题 204
21.2贪婪策略 205
21.3连续模型 206
21.4随机游动 207
21.4.1直接通信的最优策略 207
21.4.2多跳转通信的最优策略 207
21.4.3结合误差协方差 208
21.5具有速度动态的目标运动 209
21.6性能评价 211
21.6.1 CEC策略的追踪算法 211
21.6.2参照算法 212
21.6.3 CEC策略中的传感器选择 212
21.6.4切换为直接通信 213
21.7强度测量实验 213
21.8角度测量实验 216
21.8.1随机游动 217
21.8.2有速度的目标运动 217
21.8.3灵敏度实验 218
习题 220
第22章 数据融合的系统校准 221
22.1问题陈述和知识预备 221
22.1.1问题陈述 221
22.1.2传感测量模型 222
22.1.3多传感器融合模型 223
22.2方法综述 224
22.2.1系统架构 224
22.2.2问题描述 225
22.3在线本地标定 226
22.3.1测量模型估计 226
22.3.2在线模型估计 227
22.3.3本地标定算法 229
22.4最优系统级模型标定 230
22.4.1已标定系统检测性能 230
22.4.2最佳系统级标定 230
22.4.3系统级标定算法 232
22.4.4实验方法与设定 233
22.4.5标定方法性能比较 234
22.5标定方法性能分析 235
22.5.1跟踪驱动仿真 235
22.5.2基于综合数据的仿真 236
习题 238
第23章 目标跟踪策略算法与数据融合 239
23.1状态向量和测量级融合 242
23.1.1状态向量融合 243
23.1.2测量值数据级融合 243
23.1.3数据融合效果 244
23.2分解卡尔曼滤波器传感器数据表征与融合 244
23.2.1传感偏差 245
23.2.2误差状态空间卡尔曼滤波器 246
23.2.3测量和过程噪声协方差估计 246
23.2.4时间标记和时延误差 247
23.2.5多传感器数据融合方案 247
23.3平方根信息滤波器与非集中式结构中的融合 253
23.3.1信息滤波器 254
23.3.2平方根信息滤波器传感数据融合算法 255
23.3.3非集中式平方根信息滤波器 255
23.3.4滤波器性能分析 257
23.4最近邻和概率数据关联滤波算法 258
23.4.1最近邻Kalman滤波器 259
23.4.2概率数据关联滤波 259
23.4.3传感器以及多目标的跟踪和数据相关程序 261
23.4.4数值仿真 265
23.5针对机动目标跟踪的交互式多模型算法 267
23.5.1交互式多模型Kalman滤波算法 267
23.5.2目标移动模型 269
23.5.3交互式多模型Kalman滤波器的实现 270
23.6数据相关滤波器的联合概率 274
23.6.1联合概率数据关联滤波器的通用版本 274
23.6.2基于样本的粒子滤波器和联合概率数据相关滤波器 275
23.7跟踪中的无序测量处理 276
23.7.1无序测量问题的Bayes方法 276
23.7.2单延迟无杂波的无序测量 277
23.8数据共享和增益融合算法 278
23.8.1基于Kalman滤波的融合算法 278
23.8.2基于增益融合的算法 279
23.8.3性能评估 280
23.9全局融合与基于数据融合的H无穷滤波器 280
23.9.1基于H无穷滤波器的传感器数据融合 282
23.9.2基于H无穷后验滤波的融合算法 283
23.9.3 H无穷全局融合算法 284
23.9.4数值仿真结果 284
23.10融合中的无导数Kalman滤波器 286
23.10.1无导数Kalman滤波 287
23.10.2数值仿真 287
23.11导弹引导头估计 291
23.11.1交互式多模型-增广扩展Kalman滤波算法 291
23.11.2拦截器-逃避者的对抗仿真 294
23.11.3基于扩展Kalman滤波的多扩展模型交互的性能评估 294
习题 300
第24章 像素与特征的图像融合 301
24.1简介 301
24.2像素级和特征级图像融合的概念和算法 303
24.3图像配准 303
24.3.1基于区域的匹配 304
24.3.2基于特征的方法 305
24.3.3变换模型 307
24.3.4重采样和变换 307
24.3.5图像配准精度 307
25.4用图像数据分割、矩心检测和目标追踪 308
24.4.1图像噪声 308
24.4.2指标性能评估 309
24.4.3分割和矩心检测技术 310
24.4.4数据生成和结果 312
24.4.5雷达和成像传感器轨迹融合 313
24.5像素级融合算法 314
24.5.1主成分分析法 315
24.5.2空间频率 317
24.5.3性能评估 318
24.5.4小波变换 325
24.6激光和视觉数据的融合 329
24.6.1 3D模型代 329
24.6.2模型评估 330
24.7特征级融合方法 330
24.7.1外观和深度信息的融合 331
24.7.2立体人脸识别系统 331
24.7.3特征级融合 333
习题 334
第五部分 多传感器管理 337
第25章 信息融合中的多传感器管理：问题与方法 337
25.1简介 337
25.1.1传感器管理的根本目的 337
25.1.2传感器管理在信息融合中的作用 337
25.1.3多传感器管理结构 338
25.1.4多传感器管理中问题的分类 338
25.2传感器管理问题的解决方案 340
25.2.1原理与方法论 340
25.2.2自上而下的传感器管理 341
25.3传感器部署原则 343
25.3.1概述 343
25.3.2传感器部署相关的滤波 343
25.4监视任务评价 345
25.4.1基于决策树的评价 345
25.4.2基于神经网络的评价 346
25.4.3基于目标格序偏好的评价 346
25.5信号获取的测量策略 348
25.5.1测量类型（模式） 348
25.5.2测量频率 348
25.5.3目标检测的策略 349
25.6传感器资源分配 350
25.6.1基于搜索的传感器选择 350
25.6.2传感器管理中的信息论方法 353
25.6.3传感器规划中的决策理论 354
25.6.4模糊逻辑资源管理 355
25.6.5传感器分配中的Markov分类 355
25.7面向协作的传感器行为 356
习题 358
参考文献 359