多源信息融合

　　本书主要包括多源信息融合的基本概念以及多源信息融合理论赖以发展的基础理论，如统计推断与估计理论基础、智能计算与识别理论基础等； 还包括目标跟踪理论、检测融合、估计融合、数据关联、异步信息融合和异类信息融合； 也包括图像融合特别是遥感图像融合、智能交通中的信息融合，以及态势评估与威胁估计等内容。本书理论体系完整，材料取舍适当，适合从事多源信息融合理论研究和工程应用的专业技术人员参考，也可以作为相关专业大学本科高年级学生和研究生，特别是博士研究生的参考读物。 第1章绪论1.1多源信息融合的一般概念与定义1.1.1定义1.1.2多源信息融合的优势1.1.3应用领域1.2信息融合系统的模型和结构1.2.1功能模型1.2.2数据融合的级别1.2.3通用处理结构1.3多源信息融合的主要技术和方法1.4信息融合要解决的几个关键问题1.5发展起源、现状与未来参考文献第2章统计推断与估计理论基础2.1点估计理论基础2.1.1一般概念2.1.2Bayes点估计理论2.1.3BLUE估计2.1.4WLS估计2.1.5ML估计2.1.6主成分估计2.1.7RLS估计与LMS估计2.2期望极大化（EM）方法2.2.1概述2.2.2EM算法描述2.2.3混合Gauss参数估计的EM算法实例2.3线性动态系统的滤波理论与算法2.3.1离散时间线性系统状态估计问题的一般描述2.3.2基本Kalman滤波器2.3.3信息滤波器2.3.4噪声相关的Kalman滤波器2.4非线性动态系统的滤波理论与算法2.4.1扩展Kalman滤波器（EKF）2.4.2UKF滤波2.4.3Bayes滤波2.5基于随机采样的过程估计理论与算法2.5.1传统Bayes估计面临的挑战与解决的新思路2.5.2Monte Carlo仿真的随机采样2.5.3Markov chain Monte Carlo采样2.5.4粒子滤波的一般方法2.6混合系统状态估计理论2.6.1一般描述2.6.2多模型方法简述2.6.3定结构多模型估计2.6.4交互式多模型算法2.6.5变结构多模型（VSMM）算法概述2.7小结参考文献第3章智能计算与识别理论基础3.1概述3.1.1模式识别的一般概念3.1.2智能学习与统计模式识别●多源信息融合目●录3.2粗糙集理论基础3.2.1信息系统的一般概念3.2.2决策系统的不可分辨性3.2.3集合近似3.2.4属性约简3.2.5粗糙隶属度3.3证据理论基础3.3.1概述3.3.2mass函数、信任测度与似然测度3.3.3DempsterShafer合成公式3.3.4证据推理3.4随机集理论基础3.4.1一般概念3.4.2概率模型3.4.3随机集的mass函数模型3.5统计学习理论与支持向量机基础3.5.1统计学习理论的一般概念3.5.2学习机的VC维与风险界3.5.3线性支持向量机3.5.4非线性支持向量机3.5.5用于孤立点发现的Oneclass SVM算法3.5.6最小二乘支持向量机3.5.7模糊支持向量机3.5.8小波支持向量机3.5.9核主成分分析3.6Bayes网络基础3.6.1Bayes网络的一般概念3.6.2独立性假设3.6.3一致性概率3.6.4Bayes网络推断3.7小结参考文献第4章目标跟踪4.1基本概念与原理4.2跟踪门4.2.1滤波残差4.2.2矩形跟踪门4.2.3椭球跟踪门4.2.4其他跟踪门4.3目标动态模型4.3.1机动目标跟踪的数学模型4.3.2非机动目标动态模型4.3.3坐标不耦合的目标机动模型4.3.4二维水平运动模型4.3.5三维模型4.4量测模型4.4.1传感器坐标模型4.4.2在各种坐标系中的跟踪4.4.3混合坐标系的线性化模型4.4.4笛卡儿坐标系下的模型4.5雷达量测转换4.5.1二维去偏量测转换4.5.2三维去偏量测转换4.5.3无偏量测转换4.5.4修正的无偏量测转换4.6基于雷达量测和BLUE准则的目标跟踪4.6.1基于BLUE准则的二维量测转换4.6.2基于BLUE准则的三维量测转换4.7带Doppler量测的雷达目标跟踪4.7.1极坐标系中带Doppler量测的雷达目标跟踪4.7.2球坐标系中带Doppler量测的雷达目标跟踪4.8时间与空间配准4.8.1问题描述4.8.2时间配准算法4.8.3常用坐标系4.8.4坐标转换4.8.5空间配准算法概述4.8.6二维空间配准算法4.8.7精确极大似然空间配准算法4.8.8基于地心坐标系的空间配准算法4.9小结参考文献第5章检测融合5.1概论5.2并行结构融合系统的最优分布式检测融合算法5.2.1系统描述5.2.2最优分布式检测的必要条件5.2.3传感器观测独立条件下的最优分布式检测5.2.4实例计算5.3串行结构融合系统的最优分布式检测融合算法5.3.1系统描述5.3.2传感器观测独立条件下最优分布式检测的必要条件5.3.3传感器观测独立条件下的最优分布式检测5.3.4实例计算5.4树形结构融合系统的最优分布式检测融合算法5.4.1系统描述5.4.2结点观测独立条件下最优分布式检测的必要条件5.4.3结点观测独立条件下的最优分布式检测5.4.4实例计算5.5分布式量化检测系统5.5.1系统描述5.5.2最优分布式量化检测的必要条件5.5.3传感器观测独立条件下的最优分布式量化检测5.5.4实例计算5.6分布式NP检测融合系统5.6.1最优分布式量化检测的必要条件5.6.2传感器观测独立条件下的最优分布式检测5.6.3传感器观测相关条件下的次优分布式检测5.6.4分布式硬决策NP检测融合系统5.6.5实例计算5.7小结参考文献第6章估计融合6.1估计融合系统结构6.2集中式融合系统6.2.1并行滤波6.2.2序贯滤波6.2.3数据压缩滤波6.3分布式融合系统6.3.1分布式融合结构6.3.2航迹融合中各传感器局部估计误差相关的原因6.3.3简单凸组合融合算法6.3.4Bar ShalomCampo融合算法6.3.5不带反馈的最优分布式估计融合6.3.6带反馈的最优分布式估计融合6.3.7最大后验概率状态估计融合6.3.8最优的集中式估计的重构6.4协方差交叉法6.4.1问题描述6.4.2相关程度已知的相关估计量最优融合6.4.3相关程度未知的相关估计量最优融合6.5联邦滤波器6.5.1问题描述6.5.2方差上界技术6.5.3联邦滤波器的一般结构6.5.4联邦滤波器的工作流程6.5.5联邦滤波器的最优性证明6.5.6联邦滤波器的四种结构6.5.7联邦滤波器四种结构的比较6.5.8联邦滤波器的特点6.5.9联邦滤波器的两种简化形式6.6最优线性估计融合与统一融合规则6.6.1问题描述6.6.2统一线性数据模型6.6.3对于线性数据模型的统一最优融合规则6.6.4一般的最优的线性融合规则6.7小结参考文献第7章数据关联7.1引言7.2量测航迹关联算法： 经典方法7.2.1最近邻方法7.2.2概率数据关联7.2.3交互式多模型概率数据关联7.2.4联合概率数据关联7.2.5多传感联合概率数据关联7.3量测航迹关联的其他方法7.3.1基于粒子滤波的联合概率数据关联7.3.2多假设方法7.3.3概率多假设方法7.3.4基于期望极大化算法的杂波环境下机动目标跟踪7.4集中式多传感多目标跟踪的广义S维分配算法7.5多目标跟踪起始与跟踪终止算法7.5.1跟踪起始方法7.5.2跟踪终止方法7.5.3基于目标可感知性的决策方法7.6分布式航迹关联7.6.1基本符号7.6.2两个传感器之间的航迹关联7.6.3多传感器之间的航迹关联7.7小结参考文献第8章异步融合8.1异步融合的一般概念8.2顺序量测异步融合8.2.1问题描述8.2.2顺序量测异步融合算法8.3单个非顺序量测异步融合问题8.3.1非顺序量测问题产生的原因8.3.2非顺序量测问题的数学描述8.3.3非顺序量测问题的主要处理算法8.3.4直接更新法的通解8.4单个非顺序量测一步滞后滤波8.4.1A1算法8.4.2B1算法8.4.3C1算法8.4.4各种算法比较8.5单个非顺序量测多步滞后滤波8.5.1Bl算法8.5.2Al1与 Bl1算法8.5.3Zl算法8.6多OOSM多步滞后滤波8.7小结参考文献目●录ⅩⅦ第9章图像融合9.1图像融合概述9.1.1图像融合的一般概念9.1.2图像融合的发展9.1.3图像融合的简单应用实例9.2图像融合的分类9.2.1像素级图像融合9.2.2特征级图像融合9.2.3决策级图像融合9.2.4三个图像融合层次的性能比较9.3图像配准9.3.1配准的基本概念9.3.2配准需要解决的问题9.3.3配准算法9.3.4变换模型及配准参数估计方法9.3.5图像的重采样和变换9.4图像融合算法9.4.1简单图像融合算法9.4.2基于金字塔分解的图像融合算法9.4.3基于小波变换的图像融合算法9.4.4其他图像融合算法9.5遥感图像融合9.5.1遥感图像融合概述9.5.2遥感图像数据融合的基本框架9.5.3基于粗糙集的特征选择与多源遥感图像融合分类9.5.4用于目标搜索的融合框架设计9.6基于图像融合的目标跟踪9.6.1图像跟踪的一般理论9.6.2图像跟踪的工程算法9.6.3图像跟踪的一般过程9.7图像融合的评价标准9.7.1主观评价标准9.7.2客观评价标准9.8小结参考文献ⅩⅧ●多源信息融合第10章异类融合10.1概述10.2基于雷达检测与红外检测融合处理的目标跟踪10.2.1问题概述10.2.2算法描述10.3基于音频和视频特征融合的身份识别10.3.1问题概述10.3.2音频特征提取10.3.3视频特征提取10.3.4分类10.3.5多形态融合10.4杂波环境中基于异类信息融合的目标跟踪10.4.1问题描述10.4.2概率生成模型10.4.3对于音频视频数据的一个概率生成模型10.4.4基于音频视频数据融合的参数估计与目标跟踪10.4.5融合与跟踪结果10.5小结参考文献第11章智能交通与信息融合11.1智能交通系统概述11.1.1一般概念11.1.2发展过程11.1.3主要研究方向11.1.4我国ITS发展现状11.1.5智能交通系统的发展方向11.2智能车辆系统概述11.2.1主要研究内容11.2.2研究与应用现状11.2.3多传感技术应用 11.3基于多传感信息融合的路径规划与自动导航11.3.1基于多传感信息融合的路径规划11.3.2基于多传感信息融合的自动导航11.4智能车辆系统的障碍规避与防碰撞11.4.1智能车辆防碰撞系统的研究内容11.4.2智能车辆防碰撞系统的组成11.4.3自适应巡航控制系统的关键技术11.4.4当前存在的问题11.5基于证据推理的多传感器信息融合的道路车辆跟踪11.5.1引言11.5.2车载传感器数据关联的DS实现11.5.3仿真示例11.6小结参考文献目●录ⅩⅠⅩ第12章态势评估和威胁估计12.1前言12.2决策级融合中的态势评估12.2.1态势的概念12.2.2现代战争中的态势评估12.2.3基于战争环境的威胁估计12.3态势评估的实现12.3.1态势评估的特点12.3.2态势评估过程12.3.3态势评估的事后分析12.4一个简单的应用实例12.4.1问题描述12.4.2系统建模12.5常用的态势评估方法12.5.1推理理论12.5.2模糊集理论12.5.3专家系统方法12.5.4黑板模型12.5.5智能体模型12.6小结参考文献ⅩⅩ●多源信息

暂缺《多源信息融合》作者简介

第1章 绪论
1.1 多源信息融合的一般概念与定义
1.1.1 定义
1.1.2 多源信息融合的优势
1.1.3 应用领域
1.2 信息融合系统的模型和结构
1.2.1 功能模型
1.2.2 数据融合的级别
1.2.3 通用处理结构
1.3 多源信息融合的主要技术和方法
1.4 信息融合要解决的几个关键问题
1.5 发展起源、现状与未来
参考文献
第2章 统计推断与估计理论基础
2.1 点估计理论基础
2.1.1 一般概念
2.1.2 Bayes点估计理论
2.1.3 BLUE估计
2.1.4 WLS估计
2.1.5 ML估计
2.1.6 主成分估计
2.1.7 RLS估计与LMS估计
2.2 期望极大化（EM）方法
2.2.1 概述
2.2.2 EM算法描述
2.2.3 混合Gauss参数估计的EM算法实例
2.3 线性动态系统的滤波理论与算法
2.3.1 离散时间线性系统状态估计问题的一般描述
2.3.2 基本Kalman滤波器
2.3.3 信息滤波器
2.3.4 噪声相关的Kalman滤波器
2.4 非线性动态系统的滤波理论与算法
2.4.1 扩展Kalman滤波器（EKF）
2.4.2 UKF滤波
2.4.3 Bayes滤波
2.5 基于随机采样的过程估计理论与算法
2.5.1 传统Bayes估计面临的挑战与解决的新思路
2.5.2 Monte Carlo仿真的随机采样
2.5.3 Markov chain Monte Carlo采样
2.5.4 粒子滤波的一般方法
2.6 混合系统状态估计理论
2.6.1 一般描述
2.6.2 多模型方法简述
2.6.3 定结构多模型估计
2.6.4 交互式多模型算法
2.6.5 变结构多模型（VSMM）算法概述
2.7 小结
参考文献
第3章 智能计算与识别理论基础
3.1 概述
3.1.1 模式识别的一般概念
3.1.2 智能学习与统计模式识别
3.2 粗糙集理论基础
3.2.1 信息系统的一般概念
3.2.2 决策系统的不可分辨性
3.2.3 集合近似
3.2.4 属性约简
3.2.5 粗糙隶属度
3.3 证据理论基础
3.3.1 概述
3.3.2 mass函数、信任测度与似然测度
3.3.3 DempsterShafer合成公式
3.3.4 证据推理
3.4 随机集理论基础
3.4.1 一般概念
3.4.2 概率模型
3.4.3 随机集的mass函数模型
3.5 统计学习理论与支持向量机基础
3.5.1 统计学习理论的一般概念
3.5.2 学习机的VC维与风险界
3.5.3 线性支持向量机
3.5.4 非线性支持向量机
3.5.5 用于孤立点发现的Oneclass SVM算法
3.5.6 最小二乘支持向量机
3.5.7 模糊支持向量机
3.5.8 小波支持向量机
3.5.9 核主成分分析
3.6 Bayes网络基础
3.6.1 Bayes网络的一般概念
3.6.2 独立性假设
3.6.3 一致性概率
3.6.4 Bayes网络推断
3.7 小结
参考文献
第4章 目标跟踪
4.1 基本概念与原理
4.2 跟踪门
4.2.1 滤波残差
4.2.2 矩形跟踪门
4.2.3 椭球跟踪门
4.2.4 其他跟踪门
4.3 目标动态模型
4.3.1 机动目标跟踪的数学模型
4.3.2 非机动目标动态模型
4.3.3 坐标不耦合的目标机动模型
4.3.4 二维水平运动模型
4.3.5 三维模型
4.4 量测模型
4.4.1 传感器坐标模型
4.4.2 在各种坐标系中的跟踪
4.4.3 混合坐标系的线性化模型
4.4.4 笛卡儿坐标系下的模型
4.5 雷达量测转换
4.5.1 二维去偏量测转换
4.5.2 三维去偏量测转换
4.5.3 无偏量测转换
4.5.4 修正的无偏量测转换
4.6 基于雷达量测和BLUE准则的目标跟踪
4.6.1 基于BLUE准则的二维量测转换
4.6.2 基于BLUE准则的三维量测转换
4.7 带Doppler量测的雷达目标跟踪
4.7.1 极坐标系中带Doppler量测的雷达目标跟踪
4.7.2 球坐标系中带Doppler量测的雷达目标跟踪
4.8 时间与空间配准
4.8.1 问题描述
4.8.2 时间配准算法
4.8.3 常用坐标系
4.8.4 坐标转换
4.8.5 空间配准算法概述
4.8.6 二维空间配准算法
4.8.7 精确极大似然空间配准算法
4.8.8 基于地心坐标系的空间配准算法
4.9 小结
参考文献
第5章 检测融合
5.1 概论
5.2 并行结构融合系统的最优分布式检测融合算法
5.2.1 系统描述
5.2.2 最优分布式检测的必要条件
5.2.3 传感器观测独立条件下的最优分布式检测
5.2.4 实例计算
5.3 串行结构融合系统的最优分布式检测融合算法
5.3.1 系统描述
5.3.2 传感器观测独立条件下最优分布式检测的必要条件
5.3.3 传感器观测独立条件下的最优分布式检测
5.3.4 实例计算
5.4 树形结构融合系统的最优分布式检测融合算法
5.4.1 系统描述
5.4.2 结点观测独立条件下最优分布式检测的必要条件
5.4.3 结点观测独立条件下的最优分布式检测
5.4.4 实例计算
5.5 分布式量化检测系统
5.5.1 系统描述
5.5.2 最优分布式量化检测的必要条件
5.5.3 传感器观测独立条件下的最优分布式量化检测
5.5.4 实例计算
5.6 分布式NP检测融合系统
5.6.1 最优分布式量化检测的必要条件
5.6.2 传感器观测独立条件下的最优分布式检测
5.6.3 传感器观测相关条件下的次优分布式检测
5.6.4 分布式硬决策NP检测融合系统
5.6.5 实例计算
5.7 小结
参考文献
第6章 估计融合
6.1 估计融合系统结构
6.2 集中式融合系统
6.2.1 并行滤波
6.2.2 序贯滤波
6.2.3 数据压缩滤波
6.3 分布式融合系统
6.3.1 分布式融合结构
6.3.2 航迹融合中各传感器局部估计误差相关的原因
6.3.3 简单凸组合融合算法
6.3.4 Bar ShalomCampo融合算法
6.3.5 不带反馈的最优分布式估计融合
6.3.6 带反馈的最优分布式估计融合
6.3.7 最大后验概率状态估计融合
6.3.8 最优的集中式估计的重构
6.4 协方差交叉法
6.4.1 问题描述
6.4.2 相关程度已知的相关估计量最优融合
6.4.3 相关程度未知的相关估计量最优融合
6.5 联邦滤波器
6.5.1 问题描述
6.5.2 方差上界技术
6.5.3 联邦滤波器的一般结构
6.5.4 联邦滤波器的工作流程
6.5.5 联邦滤波器的最优性证明
6.5.6 联邦滤波器的四种结构
6.5.7 联邦滤波器四种结构的比较
6.5.8 联邦滤波器的特点
6.5.9 联邦滤波器的两种简化形式
6.6 最优线性估计融合与统一融合规则
6.6.1 问题描述
6.6.2 统一线性数据模型
6.6.3 对于线性数据模型的统一最优融合规则
6.6.4 一般的最优的线性融合规则
6.7 小结
参考文献
第7章 数据关联
……
第8章 异步融合
第9章 图像融合
第10章 异类融合
第11章 智能交通与信息融合
第12章 态势评估和威胁估计