《多传感器多源信息融合理论及应用》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。《多传感器多源信息融合理论及应用》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。
　　《多传感器多源信息融合理论及应用》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。

　　（10）对各种信息源给出的信息的采集、传输、综合、滤波、相关和合成，以便辅助指战员进行态势／环境判定、规划、探测、验证与诊断。
　　（11）信息融合是利用多信息源对目标存在、特征、态势和企图高度综合处理的过程。
　　（12）信息融合是为了某一目的对来自多源的数据和信息进行组合和综合的处理过程，以期得到比单一信息源更精确、更可靠的估计或推理决策。
　　（13）信息融合是一种形式框架，其过程是用数学方法和技术工具综合不同源信息，目的是得到高品质的有用信息。“高品质”的精确定义依赖于应用。
　　（14）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，其中也包括对自然界和动物大脑进行多源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，对具有相似和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，这些算法使得多源信息互补集成，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。
　　显然，上述信息融合的定义都是从不同侧面说明了信息融合的功能和所要达到的目的。这些定义大体上分为两类：一是强调信息融合是一个信息综合处理过程；二是强调信息融合能实现的功能和目的。我们认为，以上定义没有本质不同，只有狭义和广义之分。在实际应用中，没有必要受定义本身的桎梏。
　　1.1.2 多源多传感器信息融合的优势
　　从最一般意义上讲，多源信息融合是一个信息综合处理过程，用以估计或预测现实世界中某一方面的状态。通常情况下，多源信息融合与单源数据相比主要优势如下。
　　（1）增强系统的检测性能。通过融合来自不同传感器的信息可以提高系统的检测能力。图1.1.2给出了一个脉冲雷达与前视红外雷达探测空中某一目标的例子，脉冲雷达具有较好的距离探测精度，但方位探测性能较差，而红外传感器具有较好的角度探测性能，但不能测量目标距离。将两种传感器加以组合探测，则可以得到很好的探测性能。
　　（2）增强系统的可信度。一个传感器探测的结果可以通过其他传感器加以确认，提高探测信息的置信度。

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 x2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 Neyma-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
……
第8章 机动目标跟踪
第9章 纯方位角定位与跟踪
第10章 随机集理论及其在信息融合中的应用
第11章 信息融合技术的应用实例