信息融合技术及其应用2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

信息融合技术及其应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章　信息融合概述1

1.1 多传感器数据融合概述1

1.1.1　多传感器数据融合的概念1

1.1.2　多传感器数据融合的基本原理2

1.1.3　多传感器数据融合的级别4

1.1.4　JDL融合模型8

1.2　多源遥感影像数据融合概述10

1.2.1 多源遥感影像数据融合的概念10

1.2.2　多源遥感影像数据融合原理11

1.2.3　多源遥感影像数据融合的评价指标12

1.3 多分类器融合概述14

1.3.1　多分类器融合的基本原理15

1.3.2　多分类器融合的体系结构15

1.3.3　多分类器融合的分类18

1.3.4　多数投票法20

1.3.5　BKS方法21

参考文献23

第2章　融合检测技术26

2.1　假设检验26

2.1.1　假设检验问题描述26

2.1.2　似然比判决准则27

2.2　融合检测系统结构模型34

2.2.1　集中式融合检测结构34

2.2.2　分布式融合检测结构35

2.3 并行分布式融合检测36

2.3.1　并行分布式融合检测系统结构36

2.3.2　并行分布式最优检测37

2.4 串行分布式融合检测39

2.4.1 串行分布式融合检测系统结构39

2.4.2　串行分布式最优检测40

2.5　树状分布式融合检测43

2.5.1　树状分布式融合检测系统结构43

2.5.2　树状分布式最优检测44

2.6　分布式恒虚警概率检测45

2.6.1 CFAR检测45

2.6.2　分布式CFAR检测47

参考文献50

第3章　状态估计技术52

3.1 基本Kalman滤波52

3.1.1 离散时间线性动态系统描述52

3.1.2　基本Kalman滤波算法53

3.1.3 α-β和α-β-γ滤波58

3.2　实用Kalman滤波算法61

3.2.1　噪声相关的Kalman滤波62

3.2.2　过程演化噪声为有色噪声的Kalman滤波63

3.2.3　观测噪声为有色噪声的Kalman滤波64

3.3　扩展Kalman滤波66

3.3.1　离散时间非线性动态系统描述66

3.3.2　扩展Kalman滤波算法67

3.4 粒子滤波71

3.4.1 Bayes滤波71

3.4.2　蒙特卡洛方法72

3.4.3　粒子滤波算法74

3.5　不敏Kalman滤波78

3.5.1　不敏变换78

3.5.2　不敏Kalman滤波算法79

参考文献81

第4章　数据关联技术83

4.1　数据关联概述83

4.2　量测与航迹关联的最近邻方法85

4.2.1　跟踪门85

4.2.2　最近邻方法87

4.3 量测与航迹关联的贝叶斯类方法88

4.3.1　概率数据关联89

4.3.2　联合概率数据关联91

4.3.3　多假设法98

4.4　量测与航迹关联的极大似然类方法100

4.4.1　航迹分裂法100

4.4.2　联合极大似然法102

4.5　统计航迹关联算法103

4.5.1　加权航迹关联法104

4.5.2　修正航迹关联法104

4.5.3　序贯航迹关联法105

4.5.4　统计双门限航迹关联法107

4.5.5　最近邻航迹关联法107

4.6　模糊航迹关联算法108

4.6.1　模糊双门限航迹关联算法108

4.6.2　基于模糊综合函数的航迹关联算法110

参考文献113

第5章　状态融合估计技术114

5.1 状态融合估计的系统结构114

5.2　集中式系统的状态融合估计116

5.2.1　集中式系统模型116

5.2.2　并行滤波算法117

5.2.3　序贯滤波算法118

5.3 分布式系统的状态融合估计120

5.3.1　航迹融合结构120

5.3.2　航迹融合中的各传感器估计误差相关的原因121

5.3.3　航迹融合算法122

5.4　异步状态融合估计127

5.4.1　顺序量测异步融合128

5.4.2　非顺序量测异步融合128

参考文献129

第6章　基于Bayes理论的信息融合技术130

6.1 基于Bayes理论的多传感器信息融合130

6.1.1　Bayes推理130

6.1.2　基于Bayes理论的多传感器特征信息融合131

6.1.3　基于Bayes理论的多传感器决策信息融合132

6.2　基于Bayes网络的信息融合134

6.2.1 Bayes网络134

6.2.2　动态Bayes网络135

6.2.3　基于Bayes网络的多传感器信息融合136

6.2.4　基于动态Bayes网络的主动信息融合137

6.3　基于Bayes理论的多分类器信息融合141

6.3.1　基于Bayes理论的多分类器合成规则141

6.3.2　基于Bayes理论的多分类器置信水平合成146

参考文献148

第7章　基于证据理论的信息融合技术149

7.1　证据推理基础149

7.1.1　辨识框架149

7.1.2　基本概率赋值函数、信任函数、似真函数与共性函数150

7.1.3　Dempster合成公式152

7.1.4　冲突证据的合成154

7.1.5　转移信任模型158

7.2　基于证据理论的多传感器信息融合161

7.2.1 基本框架162

7.2.2　基本概率分配函数的构造162

7.2.3　D-S证据理论的判别准则164

7.2.4　系统结构165

7.3 基于证据理论的多分类器信息融合170

7.3.1　度量级的多分类器信息融合170

7.3.2　决策级的多分类器信息融合172

7.3.3　基于证据理论的k-近邻分类器177

参考文献182

第8章　基于模糊集合论的信息融合技术185

8.1　模糊集合论基础185

8.1.1　模糊子集的概念185

8.1.2　模糊子集的运算186

8.1.3　模糊集合与普通集合的相互转化188

8.1.4　模糊关系的定义189

8.1.5　模糊关系的运算190

8.1.6　模糊算子192

8.2　基于扩张原则的多传感器测量信息融合193

8.2.1　模糊融合193

8.2.2　融合函数与顺序加权平均算子194

8.2.3　相容性196

8.2.4　部分信源融合198

8.3 基于模糊逻辑的多传感器测量信息融合201

8.3.1　一般模糊逻辑系统201

8.3.2　T-S模糊逻辑系统204

8.4　基于模糊积分的多分类器信息融合205

8.4.1　gλ-模糊测度205

8.4.2　模糊积分206

8.4.3　模糊积分在多分类器融合中的应用207

8.5　基于可能性理论的信息融合208

8.5.1　可能性测度208

8.5.2　融合规则210

8.5.3　应用举例215

参考文献216

第9章　基于神经网络的信息融合技术218

9.1 神经网络基础218

9.1.1　人工神经元模型218

9.1.2　神经网络的激活函数219

9.1.3　神经网络的结构220

9.1.4　神经网络的学习方法221

9.2　基于BP神经网络的传感器数据融合223

9.2.1 BP网络223

9.2.2　基于BP神经网络的多传感器融合识别224

9.3 基于支持向量机的传感器数据融合226

9.3.1　支持向量机227

9.3.2　基于支持向量机的传感器数据融合231

9.4　基于RBF神经网络的多分类器融合235

9.4.1　RBF网络235

9.4.2　基于RBF神经网络的多分类器融合算法236

参考文献237

第10章　基于遗传算法的信息融合技术238

10.1　遗传算法基础238

10.1.1　遗传算法的生物学基础238

10.1.2　遗传算法的基本流程239

10.1.3　编码方法242

10.1.4　适应度函数244

10.1.5　选择算子245

10.1.6　交叉算子247

10.1.7　变异算子249

10.2　信息融合中非可加集合函数的遗传算法确定249

10.2.1 非负单调集合函数与非线性积分250

10.2.2　优化问题250

10.2.3　基于遗传算法的优化求解251

10.3 基于遗传算法的多传感器融合252

10.3.1　基于模糊逻辑的信息融合252

10.3.2　传感器融合的适应度函数253

10.4　基于遗传算法的多分类器融合系统设计254

参考文献256

第11章　态势估计技术257

11.1 态势估计概述257

11.1.1　态势估计的概念257

11.1.2　态势估计功能模型258

11.1.3　态势估计的关键技术261

11.2　模板匹配方法262

11.2.1　模板表示263

11.2.2　模板匹配265

11.3　专家系统方法266

11.3.1　产生式规则266

11.3.2　黑板模型267

11.3.3　专家系统的建立步骤268

11.4　规划识别方法270

11.4.1　规划识别270

11.4.2　基于规划知识图的态势估计方法270

11.5　贝叶斯网络方法275

11.5.1 贝叶斯网络的推理模式及推理算法275

11.5.2　基于贝叶斯网络的态势估计277

参考文献278

第12章　威胁估计技术280

12.1　威胁估计概述280

12.1.1　威胁估计的概念280

12.1.2　威胁估计的功能模型280

12.1.3　威胁估计方法概述284

12.2　多属性决策285

12.2.1　决策矩阵及其规范化286

12.2.2　权重确定287

12.2.3　多属性决策方法288

12.3　直觉模糊推理292

12.3.1　直觉模糊集定义293

12.3.2　直觉模糊关系293

12.3.3　直觉模糊条件推理294

12.4　支持向量回归机296

12.4.1　线性支持向量回归机296

12.4.2　非线性支持向量回归机298

参考文献299

第13章　传感器管理技术301

13.1　传感器管理的内容与体系结构301

13.1.1 传感器管理的内容301

13.1.2　传感器管理系统的体系结构302

13.1.3　传感器管理功能模型304

13.2　传感器管理的功能306

13.2.1 目标优先级建立306

13.2.2　传感器向目标分配308

13.2.3　传感器控制310

13.2.4　传感器的指示与交接312

13.2.5　传感器系统资源优化314

13.3　传感器管理方法概述316

13.3.1　基于规划论的方法316

13.3.2　基于信息论的方法317

13.3.3　基于模糊推理和神经网络的方法319

13.3.4　基于知识和专家系统的方法319

13.3.5　基于随机集合论的方法319

参考文献320

第14章　信息融合在军事中的应用323

14.1 组网雷达的目标识别与威胁判断323

14.1.1　雷达组网系统323

14.1.2　雷达与ESM航迹关联325

14.1.3　基于证据理论的目标融合识别方法328

14.1.4 目标的威胁判断330

14.2　多传感器组合导航系统332

14.2.1　多传感器组合导航概述332

14.2.2　组合导航系统的结构与算法333

14.2.3　多传感器组合导航的融合模型335

14.2.4　组合导航系统的关键技术336

14.3　海军C4ISR系统中的信息融合338

14.3.1　C4ISR系统中的信息融合模式338

14.3.2　舰艇编队作战网络体系结构340

14.3.3　舰艇编队信息融合体系结构342

参考文献343

第15章　信息融合在模式识别中的应用344

15.1 基于信息融合的人脸识别344

15.1.1 费歇尔脸方法345

15.1.2　小波分解346

15.1.3　基于小波变换与SVM的人脸识别347

15.2 基于信息融合的语种识别349

15.2.1　融合方式349

15.2.2　语言辨识系统的决策级融合355

15.2.3　D-S证据理论融合358

参考文献361

第16章　遥感图像融合技术与应用363

16.1 图像配准基础363

16.1.1 图像配准的基本框架363

16.1.2　空间几何坐标变换365

16.1.3　重采样366

16.2　基于小波变换的图像融合方法369

16.2.1　传统的小波变换融合算法369

16.2.2　基于特征的小波变换融合算法370

16.3 基于PCA变换的图像融合方法371

16.3.1　PCA变换371

16.3.2　PCA变换融合算法371

16.3.3　基于PCA变换与小波变换的融合算法372

16.4　基于IHS变换的图像融合方法376

16.4.1 IHS变换376

16.4.2　IHS变换融合算法377

16.4.3　基于IHS变换与小波变换的融合算法378

参考文献380