信息、控制与系统技术丛书 多源数据融合和传感器管理2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

信息、控制与系统技术丛书 多源数据融合和传感器管理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

第一部分 研究现状3

第1章 多源数据融合概述3

1.1多传感器数据融合定义3

1.2多传感数据融合面临的问题4

习题5

第2章 信息融合的原理和级别6

2.1信息融合的基本原理6

2.2信息融合的级别6

2.2.1信源8

2.2.2信源预处理8

2.2.3检测级融合8

2.2.4位置级融合9

2.2.5目标识别融合9

2.2.6态势估计9

2.2.7威胁估计10

2.2.8精细处理11

2.2.9数据库处理11

习题11

第3章 多传感器数据融合算法12

3.1有缺陷的数据融合13

3.1.1概率融合14

3.1.2证据置信度推理15

3.1.3融合和模糊推理16

3.1.4可能性融合17

3.1.5基于粗糙集融合18

3.1.6混合融合方法18

3.1.7随机集理论融合19

3.2相关数据的融合20

3.2.1消除数据关联性20

3.2.2数据融合中存在未知的相关性21

3.2.3不一致数据融合21

3.2.4虚假数据21

3.2.5脱离序列数据22

3.2.6冲突数据22

3.3融合异质数据23

习题24

第4章 多传感分布检测25

4.1 Neyman-Pearson公式25

4.1.1并行拓扑结构25

4.1.2串行拓扑结构27

4.2 Bayes公式29

4.2.1并行结构29

4.2.2串行拓扑结构31

4.2.3更一般的网络拓扑结构32

习题32

第5章 传感器管理33

5.1传感器管理的定义33

5.2数据融合系统中的传感器管理34

5.3传感器管理的内容35

5.4传感器管理的结构36

习题39

第6章 数据融合的现状和趋势40

6.1新兴融合模式40

6.1.1软/硬数据融合40

6.1.2机会数据融合40

6.1.3自适应融合和研究40

6.2正在进行的数据融合研究41

6.2.1自动融合41

6.2.2置信度可靠性41

6.2.3安全融合41

6.2.4融合评估42

习题43

第二部分 数学理论基础47

第7章 Bayes方法47

7.1 Bayes方法的发展47

7.2 Bayes定理47

7.2.1条件概率47

7.2.2概率乘法规则48

7.2.3全概率公式48

7.2.4 Bayes概率49

7.3多源数据融合中的Bayes方法50

7.4 Bayes方法的优缺点51

习题51

第8章 模糊集理论53

8.1模糊数学概念53

8.1.1经典集合相关定义与基本概念54

8.1.2经典集合之间的关系与运算54

8.2模糊集集合55

8.2.1基本模糊集运算56

8.2.2模糊集的基本定理57

8.3模糊聚类分析58

8.3.1聚类分析的数学模型58

8.3.2模糊关系59

8.3.3模糊关系的定义60

8.4模糊型识别61

8.4.1第一类模糊模型识别61

8.4.2第二类模糊模型识别62

8.5模糊决策62

8.5.1模糊意见集中决策63

8.5.2模糊二元对比决策63

8.6模糊综合评判决策63

8.6.1经典综合评判决策63

8.6.2模糊映射与模糊变换64

习题64

第9章 粗糙集理论66

9.1知识与知识系统66

9.2粗糙集与不精确范畴66

9.3知识约简与知识依赖67

9.4知识表达系统67

9.5粗糙集理论在信息融合中的应用68

习题68

第10章 Monte Carlo理论70

10.1 Monte Carlo基本理论70

10.1.1概述70

10.1.2 Monte Carlo方法71

10.2 Markov Chain Monte Carlo算法73

10.2.1 Markov链概念74

10.2.2 Markov过程的分类74

10.2.3齐次Markov链75

10.2.4隐式Markov模型76

10.2.5隐式半Markov模型77

10.2.6 Metropolis-Hastings算法79

10.2.7 Gibbs抽样80

习题81

第11章 Dempster-Shafer证据理论82

11.1 Dempster-Shafer理论基本概念82

11.2 Dempster-Shafer组合规则83

11.3 Dempster-Shafer组合规则的相关改进83

11.4 Dempster-Shafer理论的推广84

11.4.1广义Dempster-Shafer理论简介84

11.4.2条件化Dempster-Shafer理论85

11.4.3 Dempster-Shafer理论在模糊集合上的推广86

习题87

第12章 估计理论88

12.1估计理论基础88

12.1.1一般概念88

12.1.2 Bayes点估计理论89

12.1.3加权最小二乘法估计90

12.1.4极大似然估计与极大后验估计91

12.1.5主成分估计91

12.1.6递推最小二乘法估计与最小均方估计94

12.1.7最佳线性无偏最小方差估计95

12.2混合系统多模型估计96

12.2.1多模型估计概念97

12.2.2定结构多模型估计98

12.2.3交互式多模型算法101

12.2.4变结构多模型算法103

12.3期望最大化方法107

12.3.1 EM方法描述107

12.3.2混合Gauss参数估计的EM算法109

习题110

第13章 滤波器理论111

13.1基本概念111

13.1.1离散时间线性系统模型111

13.1.2连续时间线性系统的离散化111

13.2 Kalman滤波器113

13.2.1基本Kalman滤波器113

13.2.2信息滤波器115

13.2.3最优Bayes滤波器116

13.2.4扩展Kalman滤波器118

13.2.5迭代扩展Kalman滤波121

13.2.6强跟踪滤波器122

13.2.7无迹Kalman滤波125

13.2.8中心差分Kalman滤波器127

13.3粒子滤波器129

13.3.1粒子滤波方法129

13.3.2基本粒子滤波算法133

13.3.3辅助粒子滤波135

13.3.4正则粒子滤波136

习题137

第三部分 多源数据融合算法141

第14章 Bayes决策141

14.1简介141

14.2基于最小错误率的Bayes决策141

14.2.1两类情况141

14.2.2多类情况144

14.3基于最小风险的Bayes决策145

14.3.1条件期望风险145

14.3.2期望风险145

14.3.3最小风险Bayes决策规则145

14.3.4最小风险Bayes决策的步骤146

14.3.5最小错误率与最小风险的Bayes决策规则的联系146

习题146

第15章 正态分布时的统计决策149

15.1单变量正态分布149

15.2多元正态分布150

15.3多元正态分布情况下的Bayes分类方法153

习题157

第16章 最大最小决策158

习题160

第17章 神经网络161

17.1神经网络的概述161

17.2人工神经网络161

17.3 BP神经网络162

17.4神经网络的发展趋势及前沿问题164

习题164

第18章 支持向量机165

18.1线性支持向量机基础165

18.1.1支持向量机标准形式165

18.1.2最优超平面166

18.1.3核函数166

18.1.4支持向量机算法167

18.2线性支持向量机168

18.2.1线性可分离的情况168

18.2.2线性不可分的情况169

18.3非线性支持向量机169

18.4新型支持向量机170

18.5小波支持向量机171

18.5.1小波概念172

18.5.2小波SVM172

习题173

第19章 Bayes网络174

19.1 Bayes网络的概述174

19.2 Bayes网络的理论基础174

19.3 Bayes网络的表示175

19.3.1 Bayes网络的定义175

19.3.2 Bayes网络中的独立关系176

19.4 Bayes网络的构建178

19.4.1构建Bayes网络178

19.4.2 Bayes网络的结构学习179

19.4.3 Bayes网络的参数学习180

19.5 Bayes网络的推理182

习题184

第四部分 多源数据融合应用187

第20章 分布式检测和融合187

20.1系统模型和决策融合规则187

20.1.1问题简述187

20.1.2决策融合规则189

20.1.3分层网络结构189

20.2性能分析191

20.2.1系统级的误警率191

20.2.2系统级的检测概率192

20.2.3仿真结果193

20.2.4渐进分析195

20.2.5决策融合规则的最佳性195

20.3局部传感器的阈值199

习题202

第21章 分布式目标追踪的高效管理策略203

21.1一般问题204

21.2贪婪策略205

21.3连续模型206

21.4随机游动207

21.4.1直接通信的最优策略207

21.4.2多跳转通信的最优策略207

21.4.3结合误差协方差208

21.5具有速度动态的目标运动209

21.6性能评价211

21.6.1 CEC策略的追踪算法211

21.6.2参照算法212

21.6.3 CEC策略中的传感器选择212

21.6.4切换为直接通信213

21.7强度测量实验213

21.8角度测量实验216

21.8.1随机游动217

21.8.2有速度的目标运动217

21.8.3灵敏度实验218

习题220

第22章 数据融合的系统校准221

22.1问题陈述和知识预备221

22.1.1问题陈述221

22.1.2传感测量模型222

22.1.3多传感器融合模型223

22.2方法综述224

22.2.1系统架构224

22.2.2问题描述225

22.3在线本地标定226

22.3.1测量模型估计226

22.3.2在线模型估计227

22.3.3本地标定算法229

22.4最优系统级模型标定230

22.4.1已标定系统检测性能230

22.4.2最佳系统级标定230

22.4.3系统级标定算法232

22.4.4实验方法与设定233

22.4.5标定方法性能比较234

22.5标定方法性能分析235

22.5.1跟踪驱动仿真235

22.5.2基于综合数据的仿真236

习题238

第23章 目标跟踪策略算法与数据融合239

23.1状态向量和测量级融合242

23.1.1状态向量融合243

23.1.2测量值数据级融合243

23.1.3数据融合效果244

23.2分解卡尔曼滤波器传感器数据表征与融合244

23.2.1传感偏差245

23.2.2误差状态空间卡尔曼滤波器246

23.2.3测量和过程噪声协方差估计246

23.2.4时间标记和时延误差247

23.2.5多传感器数据融合方案247

23.3平方根信息滤波器与非集中式结构中的融合253

23.3.1信息滤波器254

23.3.2平方根信息滤波器传感数据融合算法255

23.3.3非集中式平方根信息滤波器255

23.3.4滤波器性能分析257

23.4最近邻和概率数据关联滤波算法258

23.4.1最近邻Kalman滤波器259

23.4.2概率数据关联滤波259

23.4.3传感器以及多目标的跟踪和数据相关程序261

23.4.4数值仿真265

23.5针对机动目标跟踪的交互式多模型算法267

23.5.1交互式多模型Kalman滤波算法267

23.5.2目标移动模型269

23.5.3交互式多模型Kalman滤波器的实现270

23.6数据相关滤波器的联合概率274

23.6.1联合概率数据关联滤波器的通用版本274

23.6.2基于样本的粒子滤波器和联合概率数据相关滤波器275

23.7跟踪中的无序测量处理276

23.7.1无序测量问题的Bayes方法276

23.7.2单延迟无杂波的无序测量277

23.8数据共享和增益融合算法278

23.8.1基于Kalman滤波的融合算法278

23.8.2基于增益融合的算法279

23.8.3性能评估280

23.9全局融合与基于数据融合的H无穷滤波器280

23.9.1基于H无穷滤波器的传感器数据融合282

23.9.2基于H无穷后验滤波的融合算法283

23.9.3 H无穷全局融合算法284

23.9.4数值仿真结果284

23.10融合中的无导数Kalman滤波器286

23.10.1无导数Kalman滤波287

23.10.2数值仿真287

23.11导弹引导头估计291

23.11.1交互式多模型-增广扩展Kalman滤波算法291

23.11.2拦截器-逃避者的对抗仿真294

23.11.3基于扩展Kalman滤波的多扩展模型交互的性能评估294

习题300

第24章 像素与特征的图像融合301

24.1简介301

24.2像素级和特征级图像融合的概念和算法303

24.3图像配准303

24.3.1基于区域的匹配304

24.3.2基于特征的方法305

24.3.3变换模型307

24.3.4重采样和变换307

24.3.5图像配准精度307

25.4用图像数据分割、矩心检测和目标追踪308

24.4.1图像噪声308

24.4.2指标性能评估309

24.4.3分割和矩心检测技术310

24.4.4数据生成和结果312

24.4.5雷达和成像传感器轨迹融合313

24.5像素级融合算法314

24.5.1主成分分析法315

24.5.2空间频率317

24.5.3性能评估318

24.5.4小波变换325

24.6激光和视觉数据的融合329

24.6.1 3D模型代329

24.6.2模型评估330

24.7特征级融合方法330

24.7.1外观和深度信息的融合331

24.7.2立体人脸识别系统331

24.7.3特征级融合333

习题334

第五部分 多传感器管理337

第25章 信息融合中的多传感器管理：问题与方法337

25.1简介337

25.1.1传感器管理的根本目的337

25.1.2传感器管理在信息融合中的作用337

25.1.3多传感器管理结构338

25.1.4多传感器管理中问题的分类338

25.2传感器管理问题的解决方案340

25.2.1原理与方法论340

25.2.2自上而下的传感器管理341

25.3传感器部署原则343

25.3.1概述343

25.3.2传感器部署相关的滤波343

25.4监视任务评价345

25.4.1基于决策树的评价345

25.4.2基于神经网络的评价346

25.4.3基于目标格序偏好的评价346

25.5信号获取的测量策略348

25.5.1测量类型（模式）348

25.5.2测量频率348

25.5.3目标检测的策略349

25.6传感器资源分配350

25.6.1基于搜索的传感器选择350

25.6.2传感器管理中的信息论方法353

25.6.3传感器规划中的决策理论354

25.6.4模糊逻辑资源管理355

25.6.5传感器分配中的Markov分类355

25.7面向协作的传感器行为356

习题358

参考文献359