本书是关于多传感器多源信息融合理论与应用的一本专著，主要汇集了作者近年来在多源信息融合基础理论与方法、目标状态估计、随机集理论等方面的研究成果，同时也详细介绍了信息融合的相关基本概念、结构和功能模型、主要研究方法。本书涉及的理论和方法有多源信息融合系统模型、估计和滤波理论、信息分类方法、分布式信息融合、异步信息融合、多目标跟踪、机动目标跟踪、纯方位跟踪、随机集理论等。另外，为了进一步说明书中的相关算法和模型,最后给出了两个信息融合方法的应用实例。
本书可作为信息科学专业研究生和高等院校相关教师的参考资料，同时对从事多源信息融合理论及应用技术研究、开发和应用的科技人员也具有一定的参考价值。
样章试读
目录
- 前言
第1章 多传感器多源信息融合概述
1.1 信息融合的概念及其优点
1.1.1 什么是信息融合
1.1.2 多源多传感器信息融合的优势
1.2 多源信息融合的模型
1.2.1 功能模型
1.2.2 结构模型
1.2.3 主要的信息融合技术和方法
1.3 信息融合的研究现状和存在的问题
1.3.1 多源信息融合的研究现状
1.3.2 多源信息融合存在的主要问题
1.4 信息融合技术的应用
1.5 本书结构
1.6 结论
参考文献
第2章 数学基础
2.1 概率论、随机过程与数理统计基础
2.1.1 事件与概率
2.1.2 随机变量及其分布
2.1.3 高斯随机变量
2.1.4 χ2分布随机变量
2.1.5 多维随机向量
2.1.6 全概率公式与贝叶斯公式
2.1.7 随机过程
2.1.8 假设检验
2.1.9 Neyman-Pearson定理
2.2 线性代数、矩阵论与线性系统
2.2.1 矩阵基本概念
2.2.2 特征值与特征向量
2.2.3 矩阵求逆引理
2.2.4 矩阵微积分
2.2.5 线性系统理论
2.3 结论
参考文献
第3章 参数估计与滤波理论
3.1 参数估计基本概念
3.1.1 参数估计问题的基本描述
3.1.2 参数估计模型
3.2 最大似然估计
3.3 最小二乘估计
3.3.1 线性最小二乘估计的批处理算法
3.3.2 线性最小二乘估计的迭代算法
3.4 最大后验概率估计
3.5 最小均方误差估计
3.5.1 最小均方误差估计的一般形式
3.5.2 线性最小均方误差估计
3.6 Cramer-Rao下限和Fisher信息矩阵
3.7 Kalman滤波
3.7.1 系统模型
3.7.2 算法流程
3.7.3 Kalman滤波的优缺点
3.8 扩展Kalman滤波
3.8.1 系统模型
3.8.2 算法流程
3.8.3 扩展Kalman滤波的优缺点
3.9 Unscented滤波
3.9.1 Unscented变换
3.9.2 Unscented滤波算法流程
3.9.3 Unscented滤波的优缺点
3.10 粒子滤波
3.10.1 蒙特卡罗积分及重要度采样
3.10.2 粒子滤波
3.11 结论
参考文献
第4章 信息类型与传感器系统
4.1 信息类型概述
4.1.1 信息类型Ⅰ
4.1.2 信息类型Ⅱ
4.2 传感器系统
4.2.1 传感器系统概述
4.2.2 传感系统分类
4.2.3 人体感觉系统和常用传感器
4.2.4 传感系统设计相关问题
4.3 结论
参考文献
第5章 同步采样系统的分步式信息融合
5.1 多传感器系统采样分析
5.1.1 同步问题
5.1.2 异步问题
5.2 传统同步融合算法
5.2.1 系统描述
5.2.2 集中式扩维融合
5.2.3 测量值加权融合
5.2.4 局部估计值加权融合
5.2.5 算法性能分析
5.2.6 小结
5.3 基于分步式滤波的融合算法
5.3.1 算法描述
5.3.2 SSF算法理论推导
5.3.3 算法精度分析
5.3.4 SSF与CFA计算量比较
5.3.5 仿真算例
5.4 结论
参考文献
第6章 异步采样系统的信息融合
6.1 异步多传感器数据融合概述
6.2 基于传输短延迟的异步数据融合
6.3 分步式预测融合算法
6.3.1 连续系统描述
6.3.2 连续系统离散化
6.3.3 系统采样描述
6.3.4 分步式预测融合算法
6.3.5 算法分析
6.3.6 计算机仿真
6.4 基于匀速增量的异步融合算法
6.4.1 系统描述
6.4.2 异步采样描述
6.4.3 异步采样数据的顺序式融合算法流程
6.4.4 计算机仿真
6.4.5 小结
6.5 基于有理数倍采样的异步融合
6.5.1 有理数倍采样描述
6.5.2 离散状态模型
6.5.3 测量值映射
6.5.4 预备工作
6.5.5 AFASRNT异步融合算法流程
6.5.6 仿真算例
6.6 基于状态转换的顺序式异步融合算法
6.6.1 系统描述
6.6.2 采样过程描述
6.6.3 基于伪测量值的异步融合算法
6.6.4 基于状态转换的顺序式异步融合算法
6.6.5 仿真算例
6.6.6 算法性能分析
6.6.7 小结
6.7 结论
参考文献
第7章 多目标跟踪技术
7.1 引言
7.2 多目标跟踪的主要问题
7.2.1 跟踪门的形成与选择
7.2.2 数据关联与跟踪维持
7.2.3 跟踪起始和终结
7.2.4 漏报与虚警
7.3 经典的数据关联方法
7.3.1 最近邻法
7.3.2 概率数据关联
7.3.3 联合概率数据关联
7.4 多假设跟踪算法
7.4.1 多假设跟踪算法概述
7.4.2 m-最优MHT算法
7.4.3 改进的m-最优MHT算法
7.5 其他数据关联方法
7.5.1 基于图的数据关联方法
7.5.2 基于生物学的数据关联方法
7.6 结论
参考文献
第8章 机动目标跟踪
8.1 引言
8.2 机动目标运动模型
8.2.1 CV和CA模型
8.2.2 Singer模型
8.2.3 半马尔可夫模型
8.2.4 协同转弯模型
8.2.5 “当前”统计模型
8.3 单机动目标跟踪算法
8.3.1 多模型法
8.3.2 强机动目标跟踪自适应交互式多模型算法
8.3.3 三维强机动目标跟踪算法
8.3.4 三维强机动目标跟踪算法与强跟踪算法比较研究
8.4 多机动目标跟踪算法
8.4.1 基于IMMJPDA的多机动目标跟踪算法
8.4.2 基于IMMMHT的多机动目标跟踪算法
8.5 改进的IMMMHT算法
8.5.1 改进的IMMMHT算法
8.5.2 仿真情景及结构图
8.5.3 结果分析
8.6 结论
参考文献
第9章 纯方位角定位与跟踪
9.1 引言
9.2 单平台最优观测轨迹
9.2.1 静止目标的最优观测轨迹
9.2.2 匀速运动目标的最优观测轨迹
9.2.3 小结
9.3 纯方位角定位
9.3.1 伪线性估计
9.3.2 迭代最小二乘估计
9.3.3 单步最优观测轨迹下的ILS目标定位
9.4 单站纯方位角目标跟踪
9.4.1 系统模型
9.4.2 纯方位角目标跟踪EKF算法
9.5 双基站纯方位角目标跟踪
9.5.1 系统模型
9.5.2 EKF及UKF算法
9.6 变周期RP-EKF时延纯方位角目标跟踪
9.6.1 问题描述
9.6.2 RP-EKF算法
9.6.3 模型可变周期的确定
9.6.4 仿真及结果分析
9.7 结论
参考文献
第10章 随机集理论及其在信息融合中的应用
10.1 概述
10.1.1 研究背景
10.1.2 随机集理论的发展
10.1.3 相关应用
10.2 相关方法与有限集合统计学的关系
10.2.1 随机测度理论和随机集合理论
10.2.2 专家系统
10.2.3 “plain-vanilla”贝叶斯方法
10.2.4 粒子滤波方法
10.2.5 其他相关方法
10.3 随机(有限)集的基本思想和理论框架
10.3.1 状态空间和测量空间的随机集表示
10.3.2 多目标信任质量函数和密度函数
10.3.3 集合积分和集合微分
10.3.4 规范Bayes建模方法
10.3.5 不确定信息的规范建模
10.4 随机有限集方法在信息融合中的应用
10.4.1 信息融合算法的科学评价
10.4.2 SAR图像的ATR
10.4.3 群目标跟踪
10.4.4 传感器管理
10.5 发展方向和展望
10.6 结论
参考文献
第11章 信息融合技术的应用实例
11.1 基于多传感器融合理论的过程监控
11.1.1 过程监控
11.1.2 基于状态估计的过程监控
11.1.3 基于信息融合理论的过程监控
11.1.4 小结
11.2 海洋监测的信息融合体系
11.2.1 数据收集层的处理
11.2.2 低级的数据处理
11.2.3 高层数据处理
11.2.4 小结
11.3 结论
参考文献
京公网安备 11010102004214号