信阅平台

编辑推荐

　　本书是西安交通大学三位资深专家韩崇昭、朱洪艳、段战胜联合编著，全面论述多源信息融合的基本概念、基本理论及典型应用，系统论述了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。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，也可作为大学本科高年级学生、研究生特别是博士研究生的参考读物。

展开

内容介绍

　　《多源信息融合（第2版）》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。
　　本专著的特点是理论体系完整，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，也可作为大学本科高年级学生、研究生特别是博士研究生的参考读物。

展开

精彩书摘

　　也有专家认为，信息融合应该按如下定义给出。
　　定义1.1.2 信息融合就是由多种信息源如传感器、数据库、知识库和人类本身来获取有关信息，并进行滤波、相关和集成，从而形成一个表示构架，这种构架适合于获得有关决策、对信息的解释、达到系统目标（如识别或跟踪运动目标）、传感器管理和系统控制等。
　　我们认为，目前所研究的多传感信息融合用下面的定义可能具有更大的包含度。
　　定义1.1.3 所谓多源信息融合，主要是指利用计算机进行多源信息处理，从而得到可综合利用信息的理论和方法，其中也包含对自然界人和动物大脑进行多传感信息融合机理的探索。信息融合研究的关键问题，就是提出一些理论和方法，对具有相似或不同特征模式的多源信息进行处理，以获得具有相关和集成特性的融合信息。研究的重点是特征识别和算法，这些算法导致多传感信息的互补集成，改善不确定环境中的决策过程，解决把数据用于确定共用时间和空间框架的信息理论问题，同时用来解决模糊的和矛盾的问题。
　　我们所研究的多源信息融合，实际上是对人脑综合处理复杂问题的一种功能模拟。在多传感器系统中，各种传感器提供的信息可能具有不同的特性，时变的或非时变的，实时的或非实时的，确定的或随机的，精确的或模糊的，互斥的或互补的等。多传感信息融合系统将充分利用多个传感器资源，通过对各种观测信息的合理支配与使用，在空间和时间上把互补与冗余信息依据某种优化准则结合起来，产生对观测环境的一致性解释或描述，同时产生新的融合结果。其目标是基于各种传感器的分离观测信息，通过对信息的优化组合导出更多的有效信息，最终目的是利用多个传感器共同或联合操作的优势来提高整个系统的有效性：
　　当前，制约信息融合向深人发展的因素有三：
　　（1）信息类型的高度相异性和内容的含糊属性；
　　（2）多源信息和多任务引入的固有复杂性；
　　（3）目前尚没有数学工具用来统一描述和处理此类复杂的问题。
　　所以，寻求深层次的有效数学工具对多源信息融合问题进行描述和处理将势在必行。
　　……

展开

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 信息融合的级别
1.2.3 通用处理结构
1.3 多源信息融合主要技术和方法
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 PC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Ka1man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 基于随机抽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 MonteCarlo仿真的随机抽样
2.5.3 Markov Chain Monte Carlo抽样
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
3.2.6 广义粗集
3.3 证据理论基础
3.3.1 概述
3.3.2 mass函数、信度函数与似真度函数
3.3.3 Dempster-Shafer合成公式
3.3.4 证据推理
3.3.5 证据理论中的不确定度指标
3.3.6 证据理论存在的主要问题与发展
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
3.4.4 随机集与模糊集的转换
3.5 随机有限集概略
3.5.1 概述
3.5.2 随机有限集的概念
3.5.3 随机有限集的统计
3.5.4 随机有限集的Bayes滤波
3.6 统计学习理论与支持向量机基础
3.6.1 统计学习理论的一般概念
3.6.2 学习机的VC维与风险界
3.6.3 线性支持向量机
3.6.4 非线性支持向量机
3.6.5 用于孤立点发现的One-class SVM算法
3.6.6 最小二乘支持向量机
3.6.7 模糊支持向量机
3.6.8 小波支持向量机
3.6.9 核主成分分析
3.7.Bayes网络基础
3.7.1 Bayes网络的一般概念
3.7.2 独立性假设
3.7.3 一致性概率
3.7.4 ：Bayes网络推断
3.8 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 目标运动模型
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 基于随机有限集的多目标跟踪概述
4.9.1 RFS目标运动和量测模型
4.9.2 概率假设密度（PHD）滤波器
4.9.3 基数概率假设密度（CPHD）滤波器
4.9.4 Gaussian-Mixture PHD（GM-PHD）滤波器
4.1 0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
……
第6章估计融合
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
参考文献

展开