何友，中国工程院院士，教授，1997年毕业于清华大学，获通信与信息系统博士学位， 曾留学德国。中共“十七大”代表，第十二届全国政协委员，全国优秀教师。曾兼任CAAI/CIE／CAA/CIC/CSF/CICC/IET Fellow，国务院学科评议组成员，国家杰出青年科学基金评审委员会委员，国家自然科学基金委信息学部咨询专家委员会委员，中国人工智能学会副理事长兼智能融合专业委员会主任委员，中国航空学会名誉副理事长兼信息融合分会主任委员，中国指挥与控制学会监事长等。主要研究领域有：信号检测、信息融合、智能技术与应用等。以第一完成人获国家科技进步二等奖4项、国家教学成果一、二等奖各1项，获省部级一等奖11项，授权中国发明专利和软件著作权60余项。获全国百篇优秀博士学位论文,在IEEE会刊等发表重要论文260余篇，出版专著6部，论著他引36000余次，培养博士后、博士、硕士330余人。先后入选国家百千万人才工程，荣获何梁何利基金科学与技术进步奖、“求是”工程奖、全国留学回国人员成就奖、山东省科学技术最高奖等。

本书是关于信息融合理论及应用的一部专著，是著者对该领域30多年来研究成果系统的、全面的总结。全书要内容有：信息融合概述、信息融合中的数学基础、信源分类与特性、信息融合系统功能和结构模型、分布式检测融合、目标跟踪融合、统计航迹关联算法、模糊与灰色航迹关联算法、状态估计融合、图像融合、目标识别融合、态势估计、威胁估计、知识融合、信息融合中的传感器管理、信息融合中的数据库技术、信息融合中的性能评估，以及信息融合在民事和军事中的应用。最后是本书的回顾、建议与展望。

目 录

第1章 多源信息融合概述 1
1．1 信息融合的目的和意义 1
1．1．1 信息融合的背景描述 1
1．1．2 信息融合的定义 1
1．1．3 信息融合的性能裨益 2
1．2 信息融合的原理和级别 3
1．2．1 信息融合的基本原理 3
1．2．2 信息融合的级别 3
1．3 信息融合的应用领域 5
1．3．1 信息融合问题分类 5
1．3．2 信息融合在民事上的应用 5
1．3．3 信息融合在军事上的应用 8
1．4 信息融合研究的历史与现状 10
1．4．1 信息融合研究重要节点和事件 10
1．4．2 信息融合主要发展阶段 13
1．4．3 信息融合研究主要学术成果 14
1．5 本书的范围和概貌 16
参考文献 18
第2章 状态估计基础 27
2．1 引言 27
2．2 线性动态系统估计：卡尔曼
滤波器 27
2．2．1 线性动态系统定义 27
2．2．2 卡尔曼滤波器 28
2．2．3 卡尔曼滤波器的推导：从贝叶斯
估计的角度 29
2．2．4 卡尔曼滤波器的初始化 34
2．2．5 卡尔曼滤波器的重要性质 37
2．2．6 卡尔曼滤波器的应用举例 39
2．3 卡尔曼滤波器的其他等价形式 40
2．3．1 信息滤波器 41
2．3．2 序贯滤波器 41
2．3．3 平方根滤波器 43
2．4 卡尔曼滤波器的近似计算形式 45
2．4．1 稳态滤波器 45
2．4．2 运动模型的常增益滤波器 46
2．4．3 常增益滤波器应用举例 50
2．5 非理想条件下的卡尔曼滤波器 51
2．5．1 有色过程噪声的卡尔曼滤波器 51
2．5．2 有色量测噪声的卡尔曼滤波器 51
2．5．3 过程噪声和量测噪声相关的
卡尔曼滤波器 53
2．5．4 量测延迟的卡尔曼滤波器 54
2．6 非线性系统的状态估计 55
2．6．1 扩展卡尔曼滤波器 56
2．6．2 迭代扩展卡尔曼滤波器 60
2．6．3 不敏卡尔曼滤波器 61
2．6．4 粒子滤波器 64
2．6．5 量测转换卡尔曼滤波器 69
2．6．6 线性化滤波的误差补偿技术 72
2．7 小结 73
参考文献 74
第3章 不确定性推理方法 78
3．1 引言 78
3．2 主观Bayes方法 78
3．2．1 知识不确定性的描述 78
3．2．2 证据不确定性的描述 81
3．2．3 多个证据的组合 81
3．2．4 主观Bayes方法的推理过程 82
3．2．5 主观Bayes方法的应用举例 82
3．2．6 主观Bayes方法的优缺点 82
3．3 证据理论 83
3．3．1 DS理论 83
3．3．2 DSm理论 88
3．4 模糊集理论 96
3．4．1 基础模型 96
3．4．2 模糊综合评判 99
3．4．3 模糊集理论的应用举例 101
3．4．4 证据理论向模糊集合的推广 101
3．5 粗糙集理论 103
3．5．1 理论基础 103
3．5．2 在信息融合中的应用 105
3．5．3 粗糙集理论的应用举例 106
3．6 小结 106
参考文献 107
第4章 多源信息融合功能和结构
模型 110
4．1 信息融合的功能模型 110
4．1．1 信息融合的三级功能模型 110
4．1．2 信息融合的四级功能模型 110
4．1．3 信息融合的五级功能模型 111
4．1．4 信息融合的六级功能模型 111
4．1．5 信息融合的七级功能模型 112
4．2 信息融合系统的结构模型 115
4．2．1 检测级融合结构 115
4．2．2 位置级融合结构 116
4．2．3 图像级融合结构 121
4．2．4 识别级融合结构 123
4．3 信息融合典型应用举例 124
4．3．1 机器人 124
4．3．2 入侵检测系统 125
4．3．3 智能制造 125
4．3．4 卫星遥感 126
4．3．5 决策中心战 126
4．4 小结 127
参考文献 127
第5章 分布式检测与融合 131
5．1 引言 131
5．2 融合中心的全局判决规则设计 132
5．2．1 硬判决下的全局判决规则 132
5．2．2 软判决下的全局判决规则 134
5．2．3 带直接观测的全局判决规则 135
5．2．4 异步判决下的全局判决规则 135
5．2．5 对抗式全局判决规则 136
5．3 并行结构下的分布式检测系统
设计 138
5．3．1 局部判决与全局判决规则
的一般解 139
5．3．2 条件相互独立情况下的特殊解 140
5．3．3 条件独立同分布情况下的
特殊解 141
5．3．4 应用举例 142
5．4 串行结构下的分布式检测
系统设计 143
5．4．1 两个传感器的串行结构网络 143
5．4．2 多个传感器的串行结构网络 144
5．4．3 应用举例 145
5．5 带反馈的分布式检测系统设计 148
5．5．1 有融合中心的带反馈分布式
检测系统 148
5．5．2 去中心化的带反馈分布式
检测系统 152
5．6 分布式CFAR检测 153
5．6．1 经典的分布式CFAR检测方法 154
5．6．2 稀疏信号的分布式CFAR检测 157
5．7 本章小结 161
参考文献 162
第6章 集中式多传感器综合跟踪
算法 165
6．1 引言 165
6．2 多传感器联合概率数据关联算法 166
6．2．1 数据关联的概念 166
6．2．2 单传感器联合概率数据关联
算法 166
6．2．3 多传感器联合概率数据关联
算法 174
6．3 多传感器多目标跟踪的广义S-维
分配算法 178
6．3．1 多传感器多目标跟踪的广义3-维
分配算法 179
6．3．2 多传感器多目标跟踪的广义S-维
分配算法 182
6．4 多传感器多假设数据关联算法 188
6．4．1 多假设跟踪算法的基本模型 188
6．4．2 多传感器多假设跟踪算法 190
6．5 多传感器交互多模型跟踪算法 192
6．6 多传感器随机有限集融合跟踪
算法 195
6．6．1 随机有限集基础 195
6．6．2 单传感器带势概率假设密度
滤波器 199
6．6．3 多传感器带势概率假设密度
滤波器 204
6．7 综合跟踪算法性能分析 208
6．7．1 仿真模型 208
6．7．2 仿真结果 210
6．7．3 分析与讨论 213
6．8 小结 215
参考文献 216
第7章 分布式多源信息融合中的航迹
关联算法 219
7．1 引言 219
7．2 序贯航迹关联算法 219
7．2．1 加权航迹关联算法 220
7．2．2 修正航迹关联算法 221
7．2．3 独立序贯航迹关联算法 221
7．2．4 相关序贯航迹关联算法 223
7．2．5 航迹关联质量设计与多义性
处理 223
7．2．6 航迹关联性能度量与算法流程 224
7．2．7 广义经典分配航迹关联算法 224
7．2．8 有限和衰减记忆航迹关联准则 226
7．3 双门限航迹关联算法 227
7．3．1 统计双门限航迹关联算法 228
7．3．2 模糊双门限航迹关联算法 231
7．4 修正的K近邻域航迹关联算法 235
7．4．1 最近邻域航迹关联算法 235
7．4．2 K近邻域航迹关联算法 237
7．4．3 修正的K近邻域航迹关联算法 237
7．5 基于模糊综合的航迹关联算法 241
7．5．1 基于模糊综合函数的航迹
关联算法 241
7．5．2 多因素模糊综合决策航迹
关联算法 244
7．6 多局部节点航迹关联算法 247
7．6．1 多局部节点统计航迹关联算法 247
7．6．2 多局部节点模糊航迹关联算法 251
7．7 航迹关联算法性能分析 254
7．7．1 实验条件 254
7．7．2 两个局部节点实验结果及分析 256
7．7．3 多局部节点实验结果及分析 258
7．7．4 算法综合性能评价 259
7．8 应用举例 263
7．8．1 空管自动化系统 263
7．8．2 岸基雷达网综合监控系统 265
7．9 小结 266
参考文献 267
第8章 多源信息融合中的状态估计 271
8．1 引言 271
8．2 状态估计中的数学模型 271
8．3 集中式信息融合中的状态估计 272
8．3．1 扩维滤波 272
8．3．2 序贯滤波 273
8．3．3 数据压缩滤波 274
8．3．4 应用举例 275
8．4 分布式信息融合中的状态估计 276
8．4．1 简单凸组合融合估计 277
8．4．2 最大似然概率融合估计 278
8．4．3 信息去相关融合估计 281
8．4．4 协方差交叉融合估计 284
8．4．5 应用举例 287
8．5 多级式信息融合中的状态估计 289
8．5．1 集?分式多级式系统中的
状态估计 289
8．5．2 分?分式多级式系统中的
状态估计 291
8．6 混合式信息融合中的状态估计 293
8．6．1 两层混合式融合结构 293
8．6．2 三层混合式融合结构 295
8．6．3 应用举例 296
8．7 带反馈信息的融合估计 298
8．7．1 带反馈信息的分布式
融合估计 298
8．7．2 带反馈信息的多级式
融合估计 300
8．8 小结 302
参考文献 303
第9章 异类传感器的数据融合 308
9．1 引言 308
9．2 基于最近邻的异类传感器
航迹关联 309
9．2．1 问题描述 309
9．2．2 基于角度量测的异类传感器
航迹关联 310
9．2．3 性能分析 310
9．3 基于统计理论的异类传感器
航迹关联 312
9．3．1 航迹关联判别函数 312
9．3．2 关联判决规则 312
9．3．3 航迹关联决策门限的确定 313
9．4 基于模糊综合分析的异类传感器
航迹关联 317
9．4．1 基于模糊综合分析的关联
判别函数 317
9．4．2 关联决策规则 318
9．4．3 关联决策门限的确定 319
9．4．4 实际应用举例 321
9．5 基于动态信息的异类传感器
航迹抗差关联 323
9．5．1 目标动态信息估计与系统
偏差的影响 323
9．5．2 基于分级聚类的航迹抗差
关联方法 326
9．5．3 基于CPD的航迹抗差
关联方法 327
9．5．4 实际应用举例 329
9．6 基于最优数据压缩的异类
传感器融合跟踪 330
9．6．1 最优数据压缩 330
9．6．2 融合跟踪 332
9．6．3 实际应用举例 334
9．7 基于MSPDAF的异类传感器
融合跟踪 334
9．8 基于IMM-MSPDAF的异类
传感器融合跟踪 338
9．8．1 方法描述 338
9．8．2 实际应用举例 343
9．9 小结 344
参考文献 345
第10章 图像融合 348
10．1 引言 348
10．2 图像融合基础 350
10．2．1 图像融合的一般要求 350
10．2．2 图像融合的架构与分类 350
10．2．3 图像融合预处理与配准 350
10．2．4 图像融合的应用 351
10．3 像素级图像融合方法及应用 352
10．3．1 算术与排序法 352
10．3．2 小波变换法 354
10．3．3 稀疏表达法 356
10．3．4 深度学习法 361
10．3．5 像素级图像融合的应用 363
10．4 特征级图像融合方法及应用 367
10．4．1 联合概率法 368
10．4．2 深层卷积神经网络 369
10．4．3 Transformer网络 372
10．4．4 特征级图像融合的应用 374
10．5 决策级图像融合方法及应用 376
10．5．1 过半票决法 377
10．5．2 模糊集法 378
10．5．3 DS证据推理法 379
10．5．4 决策级图像融合的应用 380
10．6 多源动态图像融合方法及应用 382
10．6．1 多传感器动态图像融合系统 382
10．6．2 基于目标检测的多源动态
图像融合法 384
10．6．3 多源图像动态融合的应用 388
10．7 图像融合效果评价及其应用 390
10．7．1 融合图像质量的主观评价 391
10．7．2 融合图像质量的客观评价 391
10．7．3 融合图像解译结果的客观
评价 396
10．7．4 图像融合效果评价的应用 397
10．8 小结 400
参考文献 400
第11章 多源目标识别融合 405
11．1 引言 405
11．2 基于最大后验概率的目标
识别融合 406
11．2．1 目标识别的判决规则 406
11．2．2 实际应用举例 407
11．3 基于模糊综合的目标识别
融合 408
11．3．1 目标识别决策模型 408
11．3．2 各信源时域递归的目标识别
融合 409
11．3．3 信源域的目标识别空间融合 409
11．3．4 实际应用举例 410
11．4 基于DST的目标识别融合 411
11．4．1 互不相容数据结构的递归目标
识别融合 411
11．4．2 相容数据结构的目标识别
时空融合 412
11．4．3 基本概率赋值（质量函数）
的获取 414
11．4．4 实际应用举例 417
11．5 基于DSmT的目标识别融合 418
11．5．1 DSmT的融合过程 418
11．5．2 递归目标识别融合 419
11．5．3 实际应用举例 420
11．6 综合性目标识别融合 423
11．6．1 基于DST与DSmT目标识别
融合方法 423
11．6．2 基于DST与IFS的目标识别
融合方法 426
11．7 小结 430
参考文献 431
第12章 多源融合导航 434
12．1 引言 434
12．2 导航分类与传感器 434
12．2．1 导航分类 434
12．2．2 传感器简介 435
12．2．3 常用坐标系 435
12．2．4 坐标系转换 436
12．3 导航方法 437
12．3．1 惯性导航 437
12．3．2 卫星导航 444
12．3．3 光学导航 448
12．3．4 脉冲星导航 453
12．3．5 讨论 457
12．4 INS与卫星融合导航 459
12．4．1 INS与卫星组合导航系统简介 460
12．4．2 INS与卫星组合导航算法 460
12．4．3 INS与卫星组合导航实验 463
12．4．4 讨论 464
12．5 光学与脉冲星融合导航 465
12．5．1 光学与脉冲星组合导航
系统简介 465
12．5．2 光学与脉冲星组合导航算法 465
12．5．3 光学与脉冲星组合导航实验 466
12．5．4 讨论 467
12．6 INS、测距测速/光学融合导航 468
12．6．1 INS与光学组合导航 468
12．6．2 INS与测距测速组合导航 469
12．6．3 仿真举例 470
12．6．4 讨论 472
12．7 小结 472
参考文献 473
第13章 无线传感器网络融合 476
13．1 引言 476
13．2 无线传感器网络结构和特点 477
13．3 无线传感器网络信息融合模式 481
13．3．1 多模式传感器数据管理 482
13．3．2 多模式感知数据解释 482
13．3．3 应用系统的开发和部署 482
13．3．4 多模式融合方法 483
13．4 压缩传感下的分布式检测和
估计 485
13．4．1 压缩传感的背景 485
13．4．2 压缩检测 486
13．4．3 压缩参数估计 492
13．5 监听环境下的无线传感器网络安全估计 496
13．5．1 具有安全约束的估计 497
13．5．2 具有保密中断的约束估计 499
13．6 不可靠数据源的鲁棒融合 504
13．6．1 分布式推理网络 504
13．6．2 数据融合的纠错输出码 504
13．6．3 并行网络中的推理 505
13．6．4 树状网络中的推理 507
13．7 无线传感器网络中的决策融合
规则 510
13．7．1 系统模型 510
13．7．2 融合规则 510
13．7．3 混合数据和决策融合 511
13．7．4 最优决策融合 512
13．8 小结 514
参考文献 514
第14章 智能信息融合 518
14．1 引言 518
14．2 典型机器学习算法 519
14．2．1 聚类模型 519
14．2．2 支持向量机 520
14．2．3 决策树模型 521
14．2．4 深度神经网络 522
14．3 机器学习在信息融合中的应用 529
14．3．1 机器学习在网络安全态势评估中
的应用 531
14．3．2 机器学习在交通威胁估计中的
应用 533
14．4 智能视频监控网络 537
14．4．1 智能视频监控网络中的任务 538
14．4．2 智能视频监控系统的设计
实例 543
14．5 深度学习在无线传感器网络中
的应用 546
14．5．1 机器学习在地震监测任务中的
应用 546
14．5．2 机器学习在地质解释任务中
的应用 549
14．5．3 其他无线传感器领域智能融合
应用 552
14．6 小结 553
参考文献 553
第15章 回顾、建议与展望 558
15．1 引言 558
15．2 研究成果回顾 558
15．2．1 多源信息融合的功能和结构
模型 558
15．2．2 分布式检测与融合 559
15．2．3 集中式多传感器综合跟踪 559
15．2．4 分布式多源信息融合中的航迹
关联 559
15．2．5 多源信息融合中的状态估计 559
15．2．6 异类传感器的数据融合 560
15．2．7 图像融合 560
15．2．8 多源目标识别融合 560
15．2．9 多源融合导航和无线传感器网络
融合 561
15．2．10 智能信息融合 561
15．3 问题与建议 561
15．3．1 融合性能在线评估与优化问题 561
15．3．2 集中式多传感器航迹起始问题 562
15．3．3 多约束条件下的多源状态估计
问题 562
15．3．4 系统误差条件下的多源航迹
关联问题 562
15．3．5 特征/属性信息辅助多源融合跟踪
问题 562
15．3．6 可解释融合问题 563
15．3．7 多视图融合问题 563
15．3．8 人机融合问题 563
15．4 研究方向展望 563
15．4．1 理论方法方面 563
15．4．2 工程应用方面 566
参考文献 567
缩略语 572

Contents

Chapter 1 Overview of Multisource
Information Fusion 1
1．1 Purpose and Significance of
Information Fusion 1
1．1．1 Background Description of Information Fusion 1
1．1．2 Definition of Information Fusion 1
1．1．3 Benefits of Information Fusion 2
1．2 Principles of Information Fusion 3
1．2．1 Basic Principles of Information
Fusion 3
1．2．2 Levels of Information Fusion 3
1．3 Application Fields of Information
Fusion 5
1．3．1 Classification of Issues 5
1．3．2 Applications in Civil Affairs 5
1．3．3 Applications in Military Affairs 8
1．4 History and Current Situation of
Information Fusion Research 10
1．4．1 Key Nodes and Events in Information Fusion Research 10
1．4．2 Principal Stages in the Development of Information Fusion Technology 13
1．4．3 Major Academic Achievements in Information Fusion Research 14
1．5 Scope and Overview of This Book 16
References 18
Chapter 2 Foundations of State
Estimation 27
2．1 Introduction 27
2．2 Estimation for Linear Dynamic Models：
Kalman Filter 27
2．2．1 Definition of Linear Dynamic
Models 27
2．2．2 Kalman Filter 28
2．2．3 Kalman Filter Derivation： From the Bayesian Rule 29
2．2．4 Initialization of Kalman Filter 34
2．2．5 Important Properties of Kalman
Filter 37
2．2．6 A Kalman Filter Example 39
2．3 Equivalent Forms of Kalman Filter 40
2．3．1 Information Filter 41
2．3．2 Sequential Filter 41
2．3．3 Square-Root Filter 43
2．4 Approximations of Kalman Filter 45
2．4．1 Steady-State Filter 45
2．4．2 Constant-Gain Filter for Kinematic Models 46
2．4．3 A Steady-State Filter Example 50
2．5 Extensions of Kalman Filter 51
2．5．1 Colored Process Noise Case 51
2．5．2 Colored Measurement Noise Case 51
2．5．3 Cross-Correlated Measurement and Process Noise Case 53
2．5．4 Systems with Measurement Delay 54
2．6 State Estimation for Nonlinear
Systems 55
2．6．1 Extended Kalman Filter 56
2．6．2 Iterated Extended Kalman Filter 60
2．6．3 Unscented Kalman Filter 61
2．6．4 Particle Filter 64
2．6．5 Measurement Converted Kalman Filter 69
2．6．6 Bias Compensation for
Linearization 72
2．7 Summary 73
References 74
Chapter 3 Uncertainty Reasoning
Methods 78
3．1 Introduction 78
3．2 Subjective Bayes Method 78
3．2．1 Description of Knowledge Uncertainty 78
3．2．2 Description of Evidence
Uncertainty 81
3．2．3 Combination of Multiple
Evidences 81
3．2．4 Reasoning Process of Subjective Bayes Method 82
3．2．5 Examples of Subjective Bayes Method Application 82
3．2．6 Advantages and Disadvantages of the Subjective Bayes Approach 82
3．3 Evidence Theory 83
3．3．1 DS Theory 83
3．3．2 DSm Theory 88
3．4 Fuzzy Sets Theory 96
3．4．1 Basic Models 96
3．4．2 Fuzzy Comprehensive Evaluation 99
3．4．3 Examples of Fuzzy Sets Theory Application 101
3．4．4 Extension of Evidence Theory to Fuzzy Sets 101
3．5 Rough Sets Theory 103
3．5．1 Theory Foundation 103
3．5．2 Application in Information Fusion 105
3．5．3 Examples of Rough Sets Theory Application 106
3．6 Summary 106
Reference 107
Chapter 4 Multisource Information
Fusion Function and
Structural Models 110
4．1 Functional Models of Information
Fusion 110
4．1．1 Three Level Functional Model for Information Fusion Systems 110
4．1．2 Four Level Functional Model of Information Fusion System 110
4．1．3 Five Level Functional Model for Information Fusion Systems 111
4．1．4 Six Level Functional Model of Information Fusion System 111
4．1．5 Seven Level Functional Model for Information Fusion Systems 112
4．2 Structural Models of Information
Fusion System 115
4．2．1 Detection Level Fusion Structure 115
4．2．2 Position Level Fusion Structure 116
4．2．3 Image Level Fusion Structure 121
4．2．4 Identification Level Fusion
Structure 123
4．3 Typical Application Examples of
Information Fusion 124
4．3．1 Robot 124
4．3．2 Intrusion Detection System 125
4．3．3 Intelligent Manufacturing 125
4．3．4 Satellite Remote Sensing 126
4．3．5 Decision Centric Warfare 126
4．4 Summary 127
Reference 127
Chapter 5 Distributed Detection and
Fusion 131
5．1 Introduction 131
5．2 Global Decision Fusion Rule 132
5．2．1 Decision Fusion Rule with Hard Decisions 132
5．2．2 Decision Fusion Rule with Soft Decisions 134
5．2．3 Decision fusion Rule with Direct Observations 135
5．2．4 Decision Fusion Rule with Asynchronous Decisions 135
5．2．5 Adversarial Decision Fusion Rule 136
5．3 Distributed Detection Systems in
Parallel Networks 138
5．3．1 Local Decision Rules and Global Decision Fusion Rule： the Generalized Solution 139
5．3．2 The Special Solution with Conditional Independence 140
5．3．3 The Special Solution with Conditional Independence and Identical Distributions 141
5．3．4 Practical Examples 142
5．4 Distributed Detection Systems in Serial Networks 143
5．4．1 Serial Networks with Two
Sensors 143
5．4．2 Serial Networks with Multiple
Sensors 144
5．4．3 Practical Examples 145
5．5 Distributed Detection Systems with
Feedback 148
5．5．1 Distributed Detection Systems with Feedback in the Presence of A Fusion Center 148
5．5．2 Distributed Detection Systems with Feedback in the Absence of A Fusion Center 152
5．6 Distributed CFAR Detection 153
5．6．1 Classical Methods of Distributed CFAR Detection 154
5．6．2 Methods of Distributed CFAR Detection for Sparse Signals 157
5．7 Summary 161
Reference 162
Chapter 6 Centralized Multisensor
Integrated Tracking
Algorithms 165
6．1 Introduction 165
6．2 Multisensor Joint Probabilistic Data
Association Algorithm 166
6．2．1 Concept of Data Association 166
6．2．2 Single-Sensor Joint Probabilistic Data Association Algorithm 166
6．2．3 Multisensor Joint Probabilistic Data Association Algorithm 174
6．3 Multisensor Generalized S-D
Assignment Algorithm 178
6．3．1 Multisensor Generalized 3-D Assignment Algorithm 179
6．3．2 Multisensor Generalized S-D Assignment Algorithm 182
6．4 Multisensor Multiple Hypothesis
Data Association Algorithm 188
6．4．1 Basic Model of Multiple Hypothesis Tracking 188
6．4．2 Multisensor Multiple Hypothesis Tracking 190
6．5 Multisensor Interactive Multiple Model Tracking Algorithm 192
6．6 Multisensor Random Finite Set
Tracking Algorithm 195
6．6．1 Foundation of the Random Finite
Set 195
6．6．2 Single-Sensor Cardinalized Probability Hypothesis Density
Filter 199
6．6．3 Multisensor Cardinalized Probability Hypothesis Density Filter 204
6．7 Performance Analysis of Integrated
Tracking Algorithms 208
6．7．1 Simulation Model 208
6．7．2 Simulation Result 210
6．7．3 Discussion 213
6．8 Summary 215
References 216
Chapter 7 Track-Track Correlation
Algorithm for Distributed Multi-Source Information Fusion 219
7．1 Introduction 219
7．2 Sequential Track Correlation
Algorithm 219
7．2．1 Weighted Track Correlation
Algorithm 220
7．2．2 Modified Track Correlation
Algorithm 221
7．2．3 Independent Sequential Track Correlation Algorithm 221
7．2．4 Dependent Sequential Track Correlation Algorithm 223
7．2．5 Track Correlation Quality Design and Ambiguity Processing 223
7．2．6 Flow of Track Correlation Performance Measurement and Algorithm 224
7．2．7 Generalized Classical Assign Track Correlation Algorithm 224
7．2．8 Finite and Attenuated Memory Track Correlation Criteria 226
7．3 Double Threshold Track Correlation Algorithm 227
7．3．1 Statistical Double Threshold Track Correlation Algorithm 228
7．3．2 Fuzzy Double Threshold Track Correlation Algorithm 231
7．4 Modified K-Nearest Neighbor Track
Correlation Algorithm 235
7．4．1 Nearest Neighbor Track Correlation Algorithm 235
7．4．2 K Nearest Neighbor Track Correlation Algorithm 237
7．4．3 Modified K Nearest Neighbor Track Correlation Algorithm 237
7．5 Track Correlation Algorithm Based on
Fuzzy Synthesis 241
7．5．1 Track Correlation Algorithm Based on Fuzzy Synthesis Function 241
7．5．2 Track Correlation Algorithm for Multi-Factor Fuzzy Comprehensive Decision Making 244
7．6 Track Correlation Algorithm in an
Environment of Multiple Local
Nodes 247
7．6．1 Statistical Track Correlation Algorithm in an Environment of Multiple Local Nodes 247
7．6．2 Fuzzy Track Correlation Algorithm in an Environment of Multiple Local Nodes 251
7．7 Performance Analysis of Track
Correlation Algorithms 254
7．7．1 Conditions of Experiment 254
7．7．2 Results and Analysis of Two Local Nodes 256
7．7．3 Results and Analysis of Multiple Local Nodes 258
7．7．4 Comprehensive Performance Evaluation of Algorithms 259
7．8 Application Examples 263
7．8．1 Air Traffic Control Automation System 263
7．8．2 Integrated Monitoring System of Shore-Based Radar Network 265
7．9 Summary 266
References 267
Chapter 8 State estimation for multisource information fusion 271
8．1 Introduction 271
8．2 Signal Model for State
Estimation 271
8．3 State Estimation for Centralized
Fusion 272
8．3．1 Augmented Filter 272
8．3．2 Sequential Filter 273
8．3．3 Data compressing Filter 274
8．3．4 A Centralized Fusion Example 275
8．4 State Estimation for Distributed
Fusion 276
8．4．1 Simple Convex Combination
Fusion 277
8．4．2 Maximum Likelihood Fusion 278
8．4．3 Information Decorrelation
Fusion 281
8．4．4 Covariance Intersection Fusion 284
8．4．5 A Distributed Fusion Example 287
8．5 State Estimation for Multi-level
Fusion 289
8．5．1 Centralized-Distributed Multi-Level Fusion 290
8．5．2 Distributed-Distributed Multi-Level Fusion 291
8．6 State Estimation for Hybrid
Fusion 293
8．6．1 Two-Level Hybrid Fusion 293
8．6．2 Three-Level Hybrid Fusion 295
8．6．3 A Hybrid Fusion Example 296
8．7 Estimation Fusion with
Feedback 298
8．7．1 Distributed Fusion with
Feedback 299
8．7．2 Multi-Level Fusion with
Feedback 300
8．8 Summary 302
References 303
Chapter 9 Heterogeneous Sensor Data
Fusion 308
9．1 Introduction 308
9．2 Heterogeneous Sensor Track
Association Based on Nearest
Neighbor 309
9．2．1 Problem Description 309
9．2．2 Heterogeneous Sensor Track Association Based on Angle Measurements 310
9．2．3 Performance Analysis 310
9．3 Heterogeneous Sensor Track Association Based on Statistical Theory 312
9．3．1 Track Association Decision
Function 312
9．3．2 Decision Rule for Track
Association 312
9．3．3 Determination of the Decision Threshold for Track
Association 313
9．4 Heterogeneous Sensor Track Association
Based on Fuzzy Comprehensive
Analysis 317
9．4．1 Association Decision Function
Based on Fuzzy Comprehensive Evaluation 317
9．4．2 Association Decision Rule 318
9．4．3 Determination of the Decision Threshold for Association 319
9．4．4 Examples of Practical
Applications 321
9．5 Heterogeneous Sensor Anti-Bias Track
Association Based on Dynamic
Information 322
9．5．1 Target Dynamics Estimation and Effects of Systematic Errors 323
9．5．2 Anti-Bias Track Association Based on Hierarchical Clustering 326
9．5．3 Anti-Bias Track Association Based on CPD 327
9．5．4 Examples of Practical
Applications 329
9．6 Heterogeneous Sensor Fusion
Tracking Based on Optimal
Data Compression 330
9．6．1 Optimal Data Compression 330
9．6．2 Fusion Tracking 332
9．6．3 Examples of Practical Applications
9．7 Heterogeneous Sensor Fusion Tracking Based on MSPDAF 334
9．8 Heterogeneous Sensor Fusion Tracking Based on IMM-MSPDAF 338
9．8．1 Method Description 338
9．8．2 Examples of Practical
Applications 343
9．9 Summary 344
Reference 345
Chapter 10 Image Fusion 348
10．1 Introduction 348
10．2 Fundamentals of Image Fusion 350
10．2．1 General Requirements of Image
Fusion 350
10．2．2 Framework and Categories of Image
Fusion 350
10．2．3 Preprocessing and Registration for
Image Fusion 350
10．2．4 Applications of Image Fusion 351
10．3 Methods and Applications of Pixel-
Level Image Fusion 352
10．3．1 Arithmetic and Order-Statistic
Methods 352
10．3．2 Wavelet Transform Methods 354
10．3．3 Sparse Representation
Methods 356
10．3．4 Deep Learning Methods 361
10．3．5 Applications of Pixel-Level Image
Fusion 363
10．4 Methods and Applications of Feature-
Level Image Fusion 367
10．4．1 Joint Probability Methods 368
10．4．2 Deep Convolutional Neural Network
Methods 369
10．4．3 Transformer Network
Methods 372
10．4．4 Applications of Feature-Level Image
Fusion 374
10．5 Methods and Applications of
Decision-Level Image Fusion 376
10．5．1 Majority Vote Methods 377
10．5．2 Fuzzy Set Methods 378
10．5．3 DS Evdence Reasoning
Methods 379
10．5．4 Applications of Decision-Level
Image Fusion 380
10．6 Methods and Applications of
Dynamic Image Fusion 382
10．6．1 Multi-Sensor Dynamic Image Fusion
Systems 382
10．6．2 Target Detection-Based Dynamic
Image Fusion Methods 3384
10．6．3 Applications of Dynamic Image
Fusion 388
10．7 Methods and Applications of Image
Fusion Quality Evaluation 390
10．7．1 Subjective Evaluation of Image Fusion Quality 391
10．7．2 Objective Evaluation of Image Fusion Quality 391
10．7．3 Evaluation of Image Interpretation Quality after Image Fusion 396
10．7．4 Applications of Image Fusion Quality Evaluation 397
10．8 Summary 400
Reference 400
Chapter 11 Multi Source Target
Recognition Fusion 405
11．1 Introduction 405
11．2 Target Recognition Fusion Based on
MAP 406
11．2．1 Decision Rules for Target Recognition 406
11．2．2 Examples of Practical
Applications 407
11．3 Target Recognition Fusion Based on
Fuzzy Synthesis 408
11．3．1 Target Recognition Decision
Model 408
11．3．2 Temporal Recursive Target Recognition Fusion for Multi-Source Data 409
11．3．3 Spatial Fusion of Target Recognition in Source Domain 409
11．3．4 Examples of Practical
Applications 410
11．4 Target Recognition Fusion Based on
Dempster-Shafer Theory 411
11．4．1 Recursive Target Recognition
Fusion with Incompatible Data Structures 411
11．4．2 Temporal-Spatia Fusion of Target Recognition with Compatible Data Structures 412
11．4．3 Acquisition of Basic Probability Assignment (Mass Function) 414
11．4．4 Examples of Practical
Applications 417
11．5 Target Recognition Fusion Based on
Dezert-Smarandache Theory 418
11．5．1 Fusion Process in DSmT 418
11．5．2 Recursive Target identification Fusion 419
11．5．3 Examples of Practical
Applications 420
11．6 Integrated Target Recognition
Fusion 423
11．6．1 Target Recognition Fusion Method Based on DST and DSmT 423
11．6．2 Target Recognition Fusion Method Based on DST and IFS 426
11．7 Summary 430
References 431
Chapter 12 Multisource Fusion
Navigation 434
12．1 Introduction 434
12．2 Navigation Classification and
Sensors 434
12．2．1 Navigation Classification 434
12．2．2 Introduction to Sensors 435
12．2．3 Commonly Used Coordinate Systems 435
12．2．4 Coordinate Transformation 436
12．3 Navigation Methods 437
12．3．1 Inertial Navigation Systems 437
12．3．2 Satellite Navigation Systems 444
12．3．3 Optical Navigation Systems 448
12．3．4 Pulsar Navigation Systems 453
12．3．5 Discussion 457
12．4 INS and Satellite Fusion
Navigation 459
12．4．1 Overview of INS and Satellite Integrated Navigation Systems 460
12．4．2 INS and Satellite Integrated Navigation Algorithms 460
12．4．3 INS and Satellite Integrated Navigation Experiments 463
12．4．4 Discussion 464
12．5 Optical and Pulsar Fusion
Navigation 465
12．5．1 Optical and Pulsar Integrated Navigation System Overview 465
12．5．2 Optical and Pulsar Integrated Navigation Algorithms 465
12．5．3 Optical and Pulsar Integrated Navigation Experiments 466
12．5．4 Discussion 467
12．6 INS， Ranging and Speed
Measurement/Optical Fusion
Navigation 468
12．6．1 INS and Optical Integrated Navigation 468
12．6．2 INS and Range-Rate Integrated Navigation 469
12．6．3 Simulation Examples 470
12．6．4 Discussion 472
12．7 Summary 472
References 473
Chapter 13 Wireless Sensor Network
Fusion 476
13．1 Introduction 476
13．2 Wireless Sensor Network
Architecture and Features 477
13．3 Wireless Sensor Network Information Fusion Model 481
13．3．1 Multimodal Sensor Data Management 482
13．3．2 Multimodal Sensor Data Interpretation 482
13．3．3 Real-World System Development and Deployment 482
13．3．4 Multimodal Fusion
Methodology 483
13．4 Compressed Distributed Detection
and Estimation 485
13．4．1 Compressive Sensing：
Background 485
13．4．2 Compressed Detection 486
13．4．3 Compressed Parameter
Estimation 492
13．5 Secure Estimation in Wireless Sensor Networks in the Presence of An Eavesdropper 496
13．5．1 Estimation with Security
Constraints 497
13．5．2 Estimation with Secrecy Outage Constraints 499
13．6 Robust Fusion of Wnreliable Data
Sources 504
13．6．1 Distributed Inference Network 504
13．6．2 Error-Correcting Output Codes for Data Fusion 504
13．6．3 Inference in Parallel Networks 505
13．6．4 Inference in Tree Networks 507
13．7 Decision Fusion Rules in Wireless
Sensor Network 510
13．7．1 System Model 510
13．7．2 Fusion Rules 510
13．7．3 Hybird Data and Decision
Fusion 511
13．7．4 Optimal Decision Fusion 512
13．8 Summary 514
References 514
Chapter 14 Intelligent Information
Fusion 518
14．1 Introduction 518
14．2 Typical Machine Learning
Algorithms 519
14．2．1 Clustering Models 519
14．2．2 Support Vector Machines 520
14．2．3 Decision Tree 521
14．2．4 Deep Neural Networks 522
14．3 Applications of machine learning
in information fusion 529
14．3．1 Applications of Machine Learning
in Network Security Situation
Assessment 531
14．3．2 Applications of Machine Learning
in Traffic Threat Estimation 533
14．4 Intelligent Video Surveillance
Network 537
14．4．1 Tasks in Intelligent Video
Surveillance Network 538
14．4．2 Design Cases of Intelligent Video
surveillance system 543
14．5 Applications of Deep Learning in
Wireless Sensor Networks 546
14．5．1 Applications of Machine Learning in
Earthquake Monitoring Tasks 546
14．5．2 Applications of Machine Learning to
Geological Interpretation Tasks 549
14．5．3 Intelligent Fusion Applications in
Other Wireless Sensor Fields 552
14．6 Summary 553
References 553
Chapter 15 Reviews， Recommendations
and Prospects 558
15．1 Introduction 558
15．2 Review of Research
Achievements 558
15．2．1 Functional and Structural Model of Multisource Information
Fusion 558
15．2．2 Distributed Detection and
Fusion 559
15．2．3 Centralized Multisensor Integrated
Tracking 559
15．2．4 Track Correlation in Distributed
Multisource Information
Fusion 559
15．2．5 State Estimation in Multisource
Information Fusion 559
15．2．6 Data Fusion of Heterogeneous
Sensors 560
15．2．7 Image Fusion 560
15．2．8 Multisource Target Identification
Fusion 560
15．2．9 Fusion of Multisource Navigation
and Wireless Sensor Network 561
15．2．10 Intelligent Information Fusion 561
15．3 Questions and Recommendations 561
15．3．1 Online Fusion Performance Evaluation and Optimization Problem 561
15．3．2 Centralized Multisensor Track
Initiation Problem 562
15．3．3 Multisource State Estimation
Problem under Multiple
Constraints 562
15．3．4 Multisource Track Correlation
Problem with Systematic Error 562
15．3．5 Feature/Attribute Information Aided
Multisource Fusion Tracking Problem 562
15．3．6 Explainable Fusion Problem 563
15．3．7 Multi-View Fusion Problem 563
15．3．8 Man-Machine Fusion Problem 563
15．4 Research Direction Outlook 563
15．4．1 Theoretical and Methodological
Aspects 563
15．4．2 Engineering Application Aspects 566
References 567
Abbreviation 567