多传感器数据融合2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

多传感器数据融合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 多传感器数据融合1

1.1 概述1

1.2 多传感器的优点2

1.3 军事方面的应用3

1.4 非军事方面的应用5

1.5 三个处理体系结构7

1.6 数据融合的处理模型10

1.7 技术发展水平的评估11

参考文献13

第2章 JDL数据融合模型15

2.1 概述15

2.2 数据融合的概念15

2.2.1 数据融合的作用15

2.2.2 数据融合的定义17

2.3 模型和体系结构19

2.3.1 数据融合的“级别”20

2.3.2 关联和评估22

2.3.3 背景灵敏度和态势24

2.3.4 属性和关系功能27

2.3.4.1 关系的类型27

2.3.4.2 属性和关系的推理实例28

2.3.4.3 关于级别的小结31

2.4 超越物理的状态32

2.5 同其他模型的比较35

2.5.1 Dasarathy的功能模型35

2.5.2 彼得沃尔斯和奥布赖思对模型和Omnibus的比较38

2.6 总结40

参考文献41

第3章 多目标跟踪的数据关联算法概述43

3.1 概述43

3.1.1 跟踪46

3.1.2 最近相邻47

3.1.3 跟踪分离和多假设50

3.1.4 门通51

3.1.5 二分查找法和kd树55

3.2 三叉树58

3.3 优先KD-树61

3.3.1 结果的应用65

3.4 结论69

参考文献70

第4章 图像和空间数据融合的原则与实践73

4.1 概述73

4.2 图像和空间数据相组合的目的74

4.3 图像和空间数据融合的定义76

4.4 数据融合中的三个典型组合级别79

4.4.1 像素级融合80

4.4.2 特征级融合81

4.4.3 决策级别的融合84

4.4.4 多级别融合85

4.5 改善影像数据的图像数据融合86

4.5.1 多分辨率影像86

4.5.2 动态图像87

4.5.3 三维图像87

4.6 空间数据融合的应用88

4.6.1 空间数据融合89

4.6.2 绘图、制表和几何学（MC＆G）的应用90

4.7 总结95

参考文献95

第5章 数据配准101

5.1 引言101

5.2 配准问题102

5.3 对当今研究的回顾103

5.4 使用元启发的方法进行配准107

5.5 基于小波的距离图像的配准112

5.6 配准的辅助和预处理过程114

5.7 结论115

第6章 数据融合自动化：自顶向下的剖析方法116

6.1 概述116

6.1.1 生物学融合116

6.1.2 指挥和控制118

6.1.3 拼板的隐喻120

6.1.4 证据的组合124

6.1.5 信息需求125

6.1.6 问题的维数126

6.1.7 等量数据和不等量数据127

6.2 生物学上的激励融合过程的模型128

6.3 融合过程模型的扩展139

6.3.1 短期、中期和长期的知识139

6.3.2 融合类141

6.3.3 融合分类和正规问题解决方案的形式146

6.3.3.1 较低顺序的正规形式146

6.3.3.2 高级顺序的正规形式148

6.3.3.3 较高顺序正规形式的特性150

6.4 观察153

6.4.1 观察1153

6.4.2 观察2154

6.4.3 观察3155

6.4.4 观察4156

6.4.5 观察5157

第7章 组合证据的对比法159

7.1 概述159

7.2 可供组合证据选择的方法160

7.2.1 概率论方法160

7.2.1.1 显而易见的悖论和直觉失误162

7.2.1.2 观察过程和随机变量165

7.2.1.3 贝叶斯定理167

7.2.1.4 贝叶斯优化的数据融合168

7.2.1.5 探索晶格结构170

7.2.2 可能性理论的方法171

7.2.3 信念理论的方法176

7.2.4 组合证据的方法179

7.2.4.1 如何开始179

7.2.4.2 收到第一份报告180

7.2.4.3 收到第二份报告181

7.2.4.4 不一致的证据185

7.3 数据融合系统的一个例子187

7.3.1 系统环境188

7.3.1.1 战场的智能准备188

7.3.1.2 初始估计190

7.3.2 空间集合193

7.3.2.1 动机193

7.3.2.2 基于组件的执行194

7.3.2.3 组件例子196

7.3.3 运行的系统197

7.3.3.1 概率系统回应197

7.3.3.2 信任系统回应203

7.3.4 总结205

7.4 对照和结论205

附录7.A 概率的公理定义206

参考文献207

第8章 基于概率数据关联技术的目标跟踪211

8.1 引言211

8.2 概率数据关联212

8.2.1 假设212

8.2.2 PDAF方法213

8.2.3 测量验证214

8.2.4 状态估计214

8.2.5 状态和协方差校正215

8.2.6 预测方程216

8.2.7 概率数据关联216

8.2.8 参数化PDA218

8.2.9 无参数PDA219

8.3 使用带有特征的ML-PDA方法的微弱可观察TMA219

8.3.1 振幅信息特性219

8.3.2 目标模型221

8.3.3 结合PDA的最大似然估计器——ML-PDA223

8.3.4 估计的Cramér-Rao下限226

8.3.5 总结229

8.4 跟踪机动目标的IMMPDAF233

8.4.1 坐标选择234

8.4.2 跟踪构成235

8.4.3 轨迹维护237

8.4.3.1 概率数据关联238

8.4.3.2 结合PDA技术的IMM评估器241

8.4.3.3 IMM评估器中的模型243

8.4.4 轨迹终止245

8.4.5 仿真结果246

8.5 跟踪低可见（LO）目标的灵活窗口ML-PDA评估器247

8.5.1 场景249

8.5.2 ML-PDA评估器公式250

8.5.2.1 目标模型250

8.5.2.2 最大似然概率数据关联评估器252

8.5.3 适应性ML-PDA255

8.5.4 总结259

8.5.4.1 评估结果259

8.5.4.2 计算负载260

8.6 总结261

参考文献262

第9章 优化和逼近数据关联的组合266

9.1 序言266

9.2 背景267

9.3 大多数可能的分配270

9.4 优化方法271

9.5 计算时要考虑的因子274

9.6 JAM的有效计算276

9.7 自然的秩逼近277

9.8 基于秩不等式的逼近279

9.9 不同方法的比较283

9.10 大规模的实际关联287

9.11 概括291

9.12 总结292

附录9.A 数据关联试验的算法293

参考文献294

第10章 一种多目标跟踪的贝叶斯方法297

10.1 引言297

10.1.1 贝叶斯方法的定义297

10.1.2 与卡尔曼滤波的关系298

10.2 单目标跟踪问题的贝叶斯公式299

10.2.1 贝叶斯滤波299

10.2.2 问题定义300

10.2.2.1 目标状态空间300

10.2.2.2 先验信息300

10.2.2.3 传感器300

10.2.2.4 似然函数301

10.2.2.5 后验分布302

10.2.3 计算后验分布302

10.2.3.1 递归方法302

10.2.3.2 单目标递归303

10.2.4 似然函数304

10.2.4.1 方位线加上探测似然函数306

10.2.4.2 使用似然函数组合信息307

10.3 无接触或关联的多目标跟踪（联合跟踪）307

10.3.1 多目标运动模型308

10.3.2 多目标似然函数309

10.3.3 后验分布311

10.3.4 联合跟踪递归311

10.3.4.1 无接触或关联的多目标跟踪312

10.3.4.2 联合跟踪递归假设的总结313

10.4 多假设跟踪（MHT）314

10.4.1 接触，扫描和关联假设315

10.4.1.1 接触315

10.4.1.2 扫描315

10.4.1.3 数据关联假设316

10.4.1.4 扫描关联假设316

10.4.2 扫描和数据关联似然函数317

10.4.2.1 扫描关联似然函数317

10.4.2.2 数据关联似然函数319

10.4.3 一般多假设跟踪319

10.4.3.1 条件目标分布320

10.4.3.2 关联概率322

10.4.3.3 一般MHT递归322

10.4.3.4 一般MHT递归假设的总结323

10.4.4 独立多假设跟踪324

10.4.4.1 有条件地独立的扫描关联似然函数324

10.4.4.2 独立MHT递归326

10.5 联合跟踪与MHT和其他跟踪方法的关系328

10.5.1 一般MHT是联合跟踪的一个特殊情形328

10.5.2 联合跟踪与其他多目标跟踪算法的关系328

10.5.3 联合跟踪的评判330

10.6 似然比探测和跟踪330

10.6.1 基本定义和关系331

10.6.1.1 似然比332

10.6.1.2 测量似然比333

10.6.2 似然比递归334

10.6.2.1 简化的递归335

10.6.3 对数似然比336

10.6.4 声明目标存在338

10.6.4.1 最小化贝叶斯风险338

10.6.4.2 在一个给定的信任级的目标声明339

10.6.4.3 关于声明的Neyman-Pearson规则340

10.6.5 探测前跟踪340

参考文献341

第11章 实施数据融合的系统工程方法344

11.1 范围344

11.2 数据融合的体系结构345

11.2.1 在信息处理系统中数据融合的作用345

11.2.2 开放式系统环境346

11.2.3 层次化设计346

11.2.4 基于范例的体系结构347

11.3 数据融合系统工程的过程353

11.3.1 数据融合过程的方法学353

11.3.2 系统工程的过程354

11.3.2.1 数据融合和资源管理354

11.3.2.2 资源管理的功能模型355

11.3.2.3 作为资源管理问题的系统工程357

11.3.2.4 数据融合系统工程358

11.3.2.5 自适应信息的获取和融合360

11.3.2.6 经调整的数据融合和资源管理366

11.4 融合系统作用的优化367

11.4.1 融合系统的需求分析367

11.4.1.1 系统需求的定义367

11.4.1.2 融合系统功能作用的开发367

11.4.1.3 对系统效果和性能的评估368

11.4.2 融合系统树的优化369

11.4.2.1 融合树的需求分析370

11.4.2.2 融合树的设计374

11.4.2.3 融合树评估385

11.4.3 融合树节点优化386

11.4.3.1 融合节点需求分析386

11.4.3.2 融合节点的设计388

11.4.3.3 融合节点的性能评估399

11.4.4 详细设计和开发400

参考文献401