多源數(shù)據(jù)融合和傳感器管理作品目錄

第一部分研究現(xiàn)狀

第1章多源數(shù)據(jù)融合概述

1.1多傳感器數(shù)據(jù)融合定義

1.2多傳感數(shù)據(jù)融合面臨的問題

習(xí)題

第2章信息融合的原理和級(jí)別

2.1信息融合的基本原理

2.2信息融合的級(jí)別

2.2.1信源

2.2.2信源預(yù)處理

2.2.3檢測(cè)級(jí)融合

2.2.4位置級(jí)融合

2.2.5目標(biāo)識(shí)別融合

2.2.6態(tài)勢(shì)估計(jì)

2.2.7威脅估計(jì)

2.2.8精細(xì)處理

2.2.9數(shù)據(jù)庫處理

習(xí)題

第3章多傳感器數(shù)據(jù)融合算法

3.1有缺陷的數(shù)據(jù)融合

3.1.1概率融合

3.1.2證據(jù)置信度推理

3.1.3融合和模糊推理

3.1.4可能性融合

3.1.5基于粗糙集融合

3.1.6混合融合方法

3.1.7隨機(jī)集理論融合

3.2相關(guān)數(shù)據(jù)的融合

3.2.1消除數(shù)據(jù)關(guān)聯(lián)性

3.2.2數(shù)據(jù)融合中存在未知的相關(guān)性

3.2.3不一致數(shù)據(jù)融合

3.2.4虛假數(shù)據(jù)

3.2.5脫離序列數(shù)據(jù)

3.2.6沖突數(shù)據(jù)

3.3融合異質(zhì)數(shù)據(jù)

習(xí)題

第4章多傳感分布檢測(cè)

4.1NeymanPearson公式

4.1.1并行拓?fù)浣Y(jié)構(gòu)

4.1.2串行拓?fù)浣Y(jié)構(gòu)

4.2Bayes公式

4.2.1并行結(jié)構(gòu)

4.2.2串行拓?fù)浣Y(jié)構(gòu)

4.2.3更一般的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

習(xí)題

第5章傳感器管理

5.1傳感器管理的定義

5.2數(shù)據(jù)融合系統(tǒng)中的傳感器管理

5.3傳感器管理的內(nèi)容

5.4傳感器管理的結(jié)構(gòu)

習(xí)題

第6章數(shù)據(jù)融合的現(xiàn)狀和趨勢(shì)

6.1新興融合模式

6.1.1軟/硬數(shù)據(jù)融合

6.1.2機(jī)會(huì)數(shù)據(jù)融合

6.1.3自適應(yīng)融合和研究

6.2正在進(jìn)行的數(shù)據(jù)融合研究

6.2.1自動(dòng)融合

6.2.2置信度可靠性

6.2.3安全融合

6.2.4融合評(píng)估

習(xí)題

第二部分?jǐn)?shù)學(xué)理論基礎(chǔ)

第7章Bayes方法

7.1Bayes方法的發(fā)展

7.2Bayes定理

7.2.1條件概率

7.2.2概率乘法規(guī)則

7.2.3全概率公式

7.2.4Bayes概率

7.3多源數(shù)據(jù)融合中的Bayes方法

7.4Bayes方法的優(yōu)缺點(diǎn)

習(xí)題

第8章模糊集理論

8.1模糊數(shù)學(xué)概念

8.1.1經(jīng)典集合相關(guān)定義與基本概念

8.1.2經(jīng)典集合之間的關(guān)系與運(yùn)算

8.2模糊集集合

8.2.1基本模糊集運(yùn)算

8.2.2模糊集的基本定理

8.3模糊聚類分析

8.3.1聚類分析的數(shù)學(xué)模型

8.3.2模糊關(guān)系

8.3.3模糊關(guān)系的定義

8.4模糊型識(shí)別

8.4.1第一類模糊模型識(shí)別

8.4.2第二類模糊模型識(shí)別

8.5模糊決策

8.5.1模糊意見集中決策

8.5.2模糊二元對(duì)比決策

8.6模糊綜合評(píng)判決策

8.6.1經(jīng)典綜合評(píng)判決策

8.6.2模糊映射與模糊變換

習(xí)題

第9章粗糙集理論

9.1知識(shí)與知識(shí)系統(tǒng)

9.2粗糙集與不精確范疇

9.3知識(shí)約簡與知識(shí)依賴

9.4知識(shí)表達(dá)系統(tǒng)

9.5粗糙集理論在信息融合中的應(yīng)用

習(xí)題

第10章MonteCarlo理論

10.1MonteCarlo基本理論

10.1.1概述

10.1.2MonteCarlo方法

10.2MarkovChainMonteCarlo算法

10.2.1Markov鏈概念

10.2.2Markov過程的分類

10.2.3齊次Markov鏈

10.2.4隱式Markov模型

10.2.5隱式半Markov模型

10.2.6MetropolisHastings算法

10.2.7Gibbs抽樣

習(xí)題

第11章DempsterShafer證據(jù)理論

11.1DempsterShafer理論基本概念

11.2DempsterShafer組合規(guī)則

11.3DempsterShafer組合規(guī)則的相關(guān)改進(jìn)

11.4DempsterShafer理論的推廣

11.4.1廣義DempsterShafer理論簡介

11.4.2條件化DempsterShafer理論

11.4.3DempsterShafer理論在模糊集合上的推廣

習(xí)題

第12章估計(jì)理論

12.1估計(jì)理論基礎(chǔ)

12.1.1一般概念

12.1.2Bayes點(diǎn)估計(jì)理論

12.1.3加權(quán)最小二乘法估計(jì)

12.1.4極大似然估計(jì)與極大后驗(yàn)估計(jì)

12.1.5主成分估計(jì)

12.1.6遞推最小二乘法估計(jì)與最小均方估計(jì)

12.1.7最佳線性無偏最小方差估計(jì)

12.2混合系統(tǒng)多模型估計(jì)

12.2.1多模型估計(jì)概念

12.2.2定結(jié)構(gòu)多模型估計(jì)

12.2.3交互式多模型算法

12.2.4變結(jié)構(gòu)多模型算法

12.3期望最大化方法

12.3.1EM方法描述

12.3.2混合Gauss參數(shù)估計(jì)的EM算法

習(xí)題

第13章濾波器理論

13.1基本概念

13.1.1離散時(shí)間線性系統(tǒng)模型

13.1.2連續(xù)時(shí)間線性系統(tǒng)的離散化

13.2Kalman濾波器

13.2.1基本Kalman濾波器

13.2.2信息濾波器

13.2.3最優(yōu)Bayes濾波器

13.2.4擴(kuò)展Kalman濾波器

13.2.5迭代擴(kuò)展Kalman濾波

13.2.6強(qiáng)跟蹤濾波器

13.2.7無跡Kalman濾波

13.2.8中心差分Kalman濾波器

13.3粒子濾波器

13.3.1粒子濾波方法

13.3.2基本粒子濾波算法

13.3.3輔助粒子濾波

13.3.4正則粒子濾波

習(xí)題

第三部分多源數(shù)據(jù)融合算法

第14章Bayes決策

14.1簡介

14.2基于最小錯(cuò)誤率的Bayes決策

14.2.1兩類情況

14.2.2多類情況

14.3基于最小風(fēng)險(xiǎn)的Bayes決策

14.3.1條件期望風(fēng)險(xiǎn)

14.3.2期望風(fēng)險(xiǎn)

14.3.3最小風(fēng)險(xiǎn)Bayes決策規(guī)則

14.3.4最小風(fēng)險(xiǎn)Bayes決策的步驟

14.3.5最小錯(cuò)誤率與最小風(fēng)險(xiǎn)的Bayes決策規(guī)則的聯(lián)系

習(xí)題

第15章正態(tài)分布時(shí)的統(tǒng)計(jì)決策

15.1單變量正態(tài)分布

15.2多元正態(tài)分布

15.3多元正態(tài)分布情況下的Bayes分類方法

習(xí)題

第16章最大最小決策

習(xí)題

第17章神經(jīng)網(wǎng)絡(luò)

17.1神經(jīng)網(wǎng)絡(luò)的概述

17.2人工神經(jīng)網(wǎng)絡(luò)

17.3BP神經(jīng)網(wǎng)絡(luò)

17.4神經(jīng)網(wǎng)絡(luò)的發(fā)展趨勢(shì)及前沿問題

習(xí)題

第18章支持向量機(jī)

18.1線性支持向量機(jī)基礎(chǔ)

18.1.1支持向量機(jī)標(biāo)準(zhǔn)形式

18.1.2最優(yōu)超平面

18.1.3核函數(shù)

18.1.4支持向量機(jī)算法

18.2線性支持向量機(jī)

18.2.1線性可分離的情況

18.2.2線性不可分的情況

18.3非線性支持向量機(jī)

18.4新型支持向量機(jī)

18.5小波支持向量機(jī)

18.5.1小波概念

18.5.2小波SVM

習(xí)題

第19章Bayes網(wǎng)絡(luò)

19.1Bayes網(wǎng)絡(luò)的概述

19.2Bayes網(wǎng)絡(luò)的理論基礎(chǔ)

19.3Bayes網(wǎng)絡(luò)的表示

19.3.1Bayes網(wǎng)絡(luò)的定義

19.3.2Bayes網(wǎng)絡(luò)中的獨(dú)立關(guān)系

19.4Bayes網(wǎng)絡(luò)的構(gòu)建

19.4.1構(gòu)建Bayes網(wǎng)絡(luò)

19.4.2Bayes網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)

19.4.3Bayes網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)

19.5Bayes網(wǎng)絡(luò)的推理

習(xí)題

第四部分多源數(shù)據(jù)融合應(yīng)用

第20章分布式檢測(cè)和融合

20.1系統(tǒng)模型和決策融合規(guī)則

20.1.1問題簡述

20.1.2決策融合規(guī)則

20.1.3分層網(wǎng)絡(luò)結(jié)構(gòu)

20.2性能分析

20.2.1系統(tǒng)級(jí)的誤警率

20.2.2系統(tǒng)級(jí)的檢測(cè)概率

20.2.3仿真結(jié)果

20.2.4漸進(jìn)分析

20.2.5決策融合規(guī)則的最佳性

20.3局部傳感器的閾值

習(xí)題

第21章分布式目標(biāo)追蹤的高效管理策略

21.1一般問題

21.2貪婪策略

21.3連續(xù)模型

21.4隨機(jī)游動(dòng)

21.4.1直接通信的最優(yōu)策略

21.4.2多跳轉(zhuǎn)通信的最優(yōu)策略

21.4.3結(jié)合誤差協(xié)方差

21.5具有速度動(dòng)態(tài)的目標(biāo)運(yùn)動(dòng)

21.6性能評(píng)價(jià)

21.6.1CEC策略的追蹤算法

21.6.2參照算法

21.6.3CEC策略中的傳感器選擇

21.6.4切換為直接通信

21.7強(qiáng)度測(cè)量實(shí)驗(yàn)

21.8角度測(cè)量實(shí)驗(yàn)

21.8.1隨機(jī)游動(dòng)

21.8.2有速度的目標(biāo)運(yùn)動(dòng)

21.8.3靈敏度實(shí)驗(yàn)

習(xí)題

第22章數(shù)據(jù)融合的系統(tǒng)校準(zhǔn)

22.1問題陳述和知識(shí)預(yù)備

22.1.1問題陳述

22.1.2傳感測(cè)量模型

22.1.3多傳感器融合模型

22.2方法綜述

22.2.1系統(tǒng)架構(gòu)

22.2.2問題描述

22.3在線本地標(biāo)定

22.3.1測(cè)量模型估計(jì)

22.3.2在線模型估計(jì)

22.3.3本地標(biāo)定算法

22.4最優(yōu)系統(tǒng)級(jí)模型標(biāo)定

22.4.1已標(biāo)定系統(tǒng)檢測(cè)性能

22.4.2最佳系統(tǒng)級(jí)標(biāo)定

22.4.3系統(tǒng)級(jí)標(biāo)定算法

22.4.4實(shí)驗(yàn)方法與設(shè)定

22.4.5標(biāo)定方法性能比較

22.5標(biāo)定方法性能分析

22.5.1跟蹤驅(qū)動(dòng)仿真

22.5.2基于綜合數(shù)據(jù)的仿真

習(xí)題

第23章目標(biāo)跟蹤策略算法與數(shù)據(jù)融合

23.1狀態(tài)向量和測(cè)量級(jí)融合

23.1.1狀態(tài)向量融合

23.1.2測(cè)量值數(shù)據(jù)級(jí)融合

23.1.3數(shù)據(jù)融合效果

23.2分解卡爾曼濾波器傳感器數(shù)據(jù)表征與融合

23.2.1傳感偏差

23.2.2誤差狀態(tài)空間卡爾曼濾波器

23.2.3測(cè)量和過程噪聲協(xié)方差估計(jì)

23.2.4時(shí)間標(biāo)記和時(shí)延誤差

23.2.5多傳感器數(shù)據(jù)融合方案

23.3平方根信息濾波器與非集中式結(jié)構(gòu)中的融合

23.3.1信息濾波器

23.3.2平方根信息濾波器傳感數(shù)據(jù)融合算法

23.3.3非集中式平方根信息濾波器

23.3.4濾波器性能分析

23.4最近鄰和概率數(shù)據(jù)關(guān)聯(lián)濾波算法

23.4.1最近鄰Kalman濾波器

23.4.2概率數(shù)據(jù)關(guān)聯(lián)濾波

23.4.3傳感器以及多目標(biāo)的跟蹤和數(shù)據(jù)相關(guān)程序

23.4.4數(shù)值仿真

23.5針對(duì)機(jī)動(dòng)目標(biāo)跟蹤的交互式多模型算法

23.5.1交互式多模型Kalman濾波算法

23.5.2目標(biāo)移動(dòng)模型

23.5.3交互式多模型Kalman濾波器的實(shí)現(xiàn)

23.6數(shù)據(jù)相關(guān)濾波器的聯(lián)合概率

23.6.1聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)濾波器的通用版本

23.6.2基于樣本的粒子濾波器和聯(lián)合概率數(shù)據(jù)相關(guān)濾波器

23.7跟蹤中的無序測(cè)量處理

23.7.1無序測(cè)量問題的Bayes方法

23.7.2單延遲無雜波的無序測(cè)量

23.8數(shù)據(jù)共享和增益融合算法

23.8.1基于Kalman濾波的融合算法

23.8.2基于增益融合的算法

23.8.3性能評(píng)估

23.9全局融合與基于數(shù)據(jù)融合的H無窮濾波器

23.9.1基于H無窮濾波器的傳感器數(shù)據(jù)融合

23.9.2基于H無窮后驗(yàn)濾波的融合算法

23.9.3H無窮全局融合算法

23.9.4數(shù)值仿真結(jié)果

23.10融合中的無導(dǎo)數(shù)Kalman濾波器

23.10.1無導(dǎo)數(shù)Kalman濾波

23.10.2數(shù)值仿真

23.11導(dǎo)彈引導(dǎo)頭估計(jì)

23.11.1交互式多模型增廣擴(kuò)展Kalman濾波算法

23.11.2攔截器逃避者的對(duì)抗仿真

23.11.3基于擴(kuò)展Kalman濾波的多擴(kuò)展模型交互的性能評(píng)估

習(xí)題

第24章像素與特征的圖像融合

24.1簡介

24.2像素級(jí)和特征級(jí)圖像融合的概念和算法

24.3圖像配準(zhǔn)

24.3.1基于區(qū)域的匹配

24.3.2基于特征的方法

24.3.3變換模型

24.3.4重采樣和變換

24.3.5圖像配準(zhǔn)精度

25.4用圖像數(shù)據(jù)分割、矩心檢測(cè)和目標(biāo)追蹤

24.4.1圖像噪聲

24.4.2指標(biāo)性能評(píng)估

24.4.3分割和矩心檢測(cè)技術(shù)

24.4.4數(shù)據(jù)生成和結(jié)果

24.4.5雷達(dá)和成像傳感器軌跡融合

24.5像素級(jí)融合算法

24.5.1主成分分析法

24.5.2空間頻率

24.5.3性能評(píng)估

24.5.4小波變換

24.6激光和視覺數(shù)據(jù)的融合

24.6.13D模型代

24.6.2模型評(píng)估

24.7特征級(jí)融合方法

24.7.1外觀和深度信息的融合

24.7.2立體人臉識(shí)別系統(tǒng)

24.7.3特征級(jí)融合

習(xí)題

第五部分多傳感器管理

第25章信息融合中的多傳感器管理：問題與方法

25.1簡介

25.1.1傳感器管理的根本目的

25.1.2傳感器管理在信息融合中的作用

25.1.3多傳感器管理結(jié)構(gòu)

25.1.4多傳感器管理中問題的分類

25.2傳感器管理問題的解決方案

25.2.1原理與方法論

25.2.2自上而下的傳感器管理

25.3傳感器部署原則

25.3.1概述

25.3.2傳感器部署相關(guān)的濾波

25.4監(jiān)視任務(wù)評(píng)價(jià)

25.4.1基于決策樹的評(píng)價(jià)

25.4.2基于神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)

25.4.3基于目標(biāo)格序偏好的評(píng)價(jià)

25.5信號(hào)獲取的測(cè)量策略

25.5.1測(cè)量類型（模式）

25.5.2測(cè)量頻率

25.5.3目標(biāo)檢測(cè)的策略

25.6傳感器資源分配

25.6.1基于搜索的傳感器選擇

25.6.2傳感器管理中的信息論方法

25.6.3傳感器規(guī)劃中的決策理論

25.6.4模糊邏輯資源管理

25.6.5傳感器分配中的Markov分類

25.7面向協(xié)作的傳感器行為 2100433B

本書基于編者的研究工作，并借鑒國內(nèi)外其他學(xué)者的成果，力圖較全面、系統(tǒng)地講解信息融合理論、應(yīng)用、傳感器管理以及發(fā)展與最新研究成果，特別是在異構(gòu)、多源、動(dòng)態(tài)、非理想信道、稀疏、錯(cuò)誤容忍環(huán)境下。全書共25章，分為五個(gè)部分。第一部分研究現(xiàn)狀，包括多源數(shù)據(jù)融合概述、信息融合的原理和級(jí)別、多源傳感器數(shù)據(jù)融合算法、多傳感分布檢測(cè)、傳感器管理、探討和備注；第二部分?jǐn)?shù)學(xué)理論基礎(chǔ)，包括Bayes方法、模糊集理論、粗糙集理論、MonteCarlo理論、DempsterShafer理論、估計(jì)理論和濾波器理論；第三部分多源數(shù)據(jù)融合算法，包括Bayes決策、正態(tài)分布時(shí)的統(tǒng)計(jì)決策、最大最小決策、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和Bayes網(wǎng)絡(luò)；第四部分多源數(shù)據(jù)融合應(yīng)用，包括分布式檢測(cè)和融合、目標(biāo)追蹤的高效管理策略、數(shù)據(jù)融合的系統(tǒng)校準(zhǔn)、目標(biāo)跟蹤策略算法與數(shù)據(jù)融合、像素與特征的圖像融合；第五部分是多傳感器管理。本書可作為信息工程、信息融合、模式識(shí)別、機(jī)器學(xué)習(xí)、人工智能、數(shù)據(jù)分析、軍事決策和電子對(duì)抗等專業(yè)的本科生和研究生教材，也可供上述相關(guān)領(lǐng)域的科技人員閱讀和參考，還可以供雷達(dá)、聲吶、激光、紅外、機(jī)器人、導(dǎo)航、交通、醫(yī)學(xué)、物聯(lián)網(wǎng)、泛在網(wǎng)、CPS、遙感、遙測(cè)、定位等領(lǐng)域的科技工作者參考學(xué)習(xí)。

第1章 數(shù)據(jù)融合

1.1 低層次融合

1.2 中級(jí)融合

1.3 高層次融合

1.4 安全

1.5 傳感器融合

1.6 應(yīng)用歷史

第2章 傳感器類型

2.1 傳感器

2.2 傳感器的選擇

2.3 聲吶

2.3.1 聲吶換能器

2.3.2 聲吶的應(yīng)用

2.4 激光傳感器

2.4.1 激光

2.4.2 激光光

2.4.3 激光的應(yīng)用

2.5 射頻傳感器

2.5.1 射頻傳感器的應(yīng)用

第3章 新的安全監(jiān)控系統(tǒng)

3.1 目標(biāo)動(dòng)態(tài)傳感

3.2 安全決策

第4章 傳感器融合

4.1 相似度概念

4.2 迭代貝葉斯估計(jì)和最后驗(yàn)概率

4.3 全局和局部指標(biāo)

第5章 狀態(tài)估計(jì)

5.1 卡爾曼濾波

5.2 擴(kuò)展卡爾曼濾波

第6章 狀態(tài)變換（同類傳感器互補(bǔ)）

第7章 決策制定—模糊邏輯系統(tǒng)

7.1 決策過程

7.2 模糊邏輯系統(tǒng)

7.31—型模糊邏輯系統(tǒng)

7.3.11—型隸屬度函數(shù)及其運(yùn)算

7.3.2 語言變量和IF—THEN規(guī)則

7.3.3 基于模糊規(guī)則的推理

7.42—型模糊邏輯系統(tǒng)

7.4.12—型模糊集與隸屬函數(shù)

7.5 模糊邏輯控制

7.6 異構(gòu)傳感器的互補(bǔ)性

第8章 結(jié)果與討論

8.1 卡爾曼濾波結(jié)果

8.1.1 兩目標(biāo)的仿真

8.1.2 三目標(biāo)的仿真

8.2 擴(kuò)展卡爾曼濾波結(jié)果

第9章 結(jié)論和工作展望

附錄A 超模糊邏輯決策在安全監(jiān)視系統(tǒng)中的應(yīng)用

A.1 引言

A.2 安全系統(tǒng)

A.3 模糊邏輯基本原理

A.4 超模糊

A.5 結(jié)果和討論

附錄B 系統(tǒng)代碼

參考文獻(xiàn)