|
关于我们
 新书资讯 新书推荐 |
多源信息融合与应用（第三版） 
定 价：158 元
9 7 5 8 0 7 4 1 1 2 0 1 5 读者对象:本书可供信息融合、模式识别、人工智能、过程监视、机器人、组合导航、遥感遥测、无线传感器网络、智能制造、智能交通、智能医疗、物联网、C4ISR系统、电子对抗和军事指挥等领域的科技人员阅读和参考，也可作为相关专业的研究生教材。 
本书是关于信息融合理论及应用的一部专著，是著者对该领域30多年来研究成果系统的、全面的总结。全书要内容有：信息融合概述、信息融合中的数学基础、信源分类与特性、信息融合系统功能和结构模型、分布式检测融合、目标跟踪融合、统计航迹关联算法、模糊与灰色航迹关联算法、状态估计融合、图像融合、目标识别融合、态势估计、威胁估计、知识融合、信息融合中的传感器管理、信息融合中的数据库技术、信息融合中的性能评估，以及信息融合在民事和军事中的应用。最后是本书的回顾、建议与展望。
何友，中国工程院院士，教授，1997年毕业于清华大学，获通信与信息系统博士学位， 曾留学德国。中共“十七大”代表，第十二届全国政协委员，全国优秀教师。曾兼任CAAI/CIE／CAA/CIC/CSF/CICC/IET Fellow，国务院学科评议组成员，国家杰出青年科学基金评审委员会委员，国家自然科学基金委信息学部咨询专家委员会委员，中国人工智能学会副理事长兼智能融合专业委员会主任委员，中国航空学会名誉副理事长兼信息融合分会主任委员，中国指挥与控制学会监事长等。主要研究领域有：信号检测、信息融合、智能技术与应用等。以第一完成人获国家科技进步二等奖4项、国家教学成果一、二等奖各1项，获省部级一等奖11项，授权中国发明专利和软件著作权60余项。获全国百篇优秀博士学位论文,在IEEE会刊等发表重要论文260余篇，出版专著6部，论著他引36000余次，培养博士后、博士、硕士330余人。先后入选国家百千万人才工程，荣获何梁何利基金科学与技术进步奖、“求是”工程奖、全国留学回国人员成就奖、山东省科学技术最高奖等。
目 录
第1章 多源信息融合概述 1 1.1 信息融合的目的和意义 1 1.1.1 信息融合的背景描述 1 1.1.2 信息融合的定义 1 1.1.3 信息融合的性能裨益 2 1.2 信息融合的原理和级别 3 1.2.1 信息融合的基本原理 3 1.2.2 信息融合的级别 3 1.3 信息融合的应用领域 5 1.3.1 信息融合问题分类 5 1.3.2 信息融合在民事上的应用 5 1.3.3 信息融合在军事上的应用 8 1.4 信息融合研究的历史与现状 10 1.4.1 信息融合研究重要节点和事件 10 1.4.2 信息融合主要发展阶段 13 1.4.3 信息融合研究主要学术成果 14 1.5 本书的范围和概貌 16 参考文献 18 第2章 状态估计基础 27 2.1 引言 27 2.2 线性动态系统估计：卡尔曼 滤波器 27 2.2.1 线性动态系统定义 27 2.2.2 卡尔曼滤波器 28 2.2.3 卡尔曼滤波器的推导：从贝叶斯 估计的角度 29 2.2.4 卡尔曼滤波器的初始化 34 2.2.5 卡尔曼滤波器的重要性质 37 2.2.6 卡尔曼滤波器的应用举例 39 2.3 卡尔曼滤波器的其他等价形式 40 2.3.1 信息滤波器 41 2.3.2 序贯滤波器 41 2.3.3 平方根滤波器 43 2.4 卡尔曼滤波器的近似计算形式 45 2.4.1 稳态滤波器 45 2.4.2 运动模型的常增益滤波器 46 2.4.3 常增益滤波器应用举例 50 2.5 非理想条件下的卡尔曼滤波器 51 2.5.1 有色过程噪声的卡尔曼滤波器 51 2.5.2 有色量测噪声的卡尔曼滤波器 51 2.5.3 过程噪声和量测噪声相关的 卡尔曼滤波器 53 2.5.4 量测延迟的卡尔曼滤波器 54 2.6 非线性系统的状态估计 55 2.6.1 扩展卡尔曼滤波器 56 2.6.2 迭代扩展卡尔曼滤波器 60 2.6.3 不敏卡尔曼滤波器 61 2.6.4 粒子滤波器 64 2.6.5 量测转换卡尔曼滤波器 69 2.6.6 线性化滤波的误差补偿技术 72 2.7 小结 73 参考文献 74 第3章 不确定性推理方法 78 3.1 引言 78 3.2 主观Bayes方法 78 3.2.1 知识不确定性的描述 78 3.2.2 证据不确定性的描述 81 3.2.3 多个证据的组合 81 3.2.4 主观Bayes方法的推理过程 82 3.2.5 主观Bayes方法的应用举例 82 3.2.6 主观Bayes方法的优缺点 82 3.3 证据理论 83 3.3.1 DS理论 83 3.3.2 DSm理论 88 3.4 模糊集理论 96 3.4.1 基础模型 96 3.4.2 模糊综合评判 99 3.4.3 模糊集理论的应用举例 101 3.4.4 证据理论向模糊集合的推广 101 3.5 粗糙集理论 103 3.5.1 理论基础 103 3.5.2 在信息融合中的应用 105 3.5.3 粗糙集理论的应用举例 106 3.6 小结 106 参考文献 107 第4章 多源信息融合功能和结构 模型 110 4.1 信息融合的功能模型 110 4.1.1 信息融合的三级功能模型 110 4.1.2 信息融合的四级功能模型 110 4.1.3 信息融合的五级功能模型 111 4.1.4 信息融合的六级功能模型 111 4.1.5 信息融合的七级功能模型 112 4.2 信息融合系统的结构模型 115 4.2.1 检测级融合结构 115 4.2.2 位置级融合结构 116 4.2.3 图像级融合结构 121 4.2.4 识别级融合结构 123 4.3 信息融合典型应用举例 124 4.3.1 机器人 124 4.3.2 入侵检测系统 125 4.3.3 智能制造 125 4.3.4 卫星遥感 126 4.3.5 决策中心战 126 4.4 小结 127 参考文献 127 第5章 分布式检测与融合 131 5.1 引言 131 5.2 融合中心的全局判决规则设计 132 5.2.1 硬判决下的全局判决规则 132 5.2.2 软判决下的全局判决规则 134 5.2.3 带直接观测的全局判决规则 135 5.2.4 异步判决下的全局判决规则 135 5.2.5 对抗式全局判决规则 136 5.3 并行结构下的分布式检测系统 设计 138 5.3.1 局部判决与全局判决规则 的一般解 139 5.3.2 条件相互独立情况下的特殊解 140 5.3.3 条件独立同分布情况下的 特殊解 141 5.3.4 应用举例 142 5.4 串行结构下的分布式检测 系统设计 143 5.4.1 两个传感器的串行结构网络 143 5.4.2 多个传感器的串行结构网络 144 5.4.3 应用举例 145 5.5 带反馈的分布式检测系统设计 148 5.5.1 有融合中心的带反馈分布式 检测系统 148 5.5.2 去中心化的带反馈分布式 检测系统 152 5.6 分布式CFAR检测 153 5.6.1 经典的分布式CFAR检测方法 154 5.6.2 稀疏信号的分布式CFAR检测 157 5.7 本章小结 161 参考文献 162 第6章 集中式多传感器综合跟踪 算法 165 6.1 引言 165 6.2 多传感器联合概率数据关联算法 166 6.2.1 数据关联的概念 166 6.2.2 单传感器联合概率数据关联 算法 166 6.2.3 多传感器联合概率数据关联 算法 174 6.3 多传感器多目标跟踪的广义S-维 分配算法 178 6.3.1 多传感器多目标跟踪的广义3-维 分配算法 179 6.3.2 多传感器多目标跟踪的广义S-维 分配算法 182 6.4 多传感器多假设数据关联算法 188 6.4.1 多假设跟踪算法的基本模型 188 6.4.2 多传感器多假设跟踪算法 190 6.5 多传感器交互多模型跟踪算法 192 6.6 多传感器随机有限集融合跟踪 算法 195 6.6.1 随机有限集基础 195 6.6.2 单传感器带势概率假设密度 滤波器 199 6.6.3 多传感器带势概率假设密度 滤波器 204 6.7 综合跟踪算法性能分析 208 6.7.1 仿真模型 208 6.7.2 仿真结果 210 6.7.3 分析与讨论 213 6.8 小结 215 参考文献 216 第7章 分布式多源信息融合中的航迹 关联算法 219 7.1 引言 219 7.2 序贯航迹关联算法 219 7.2.1 加权航迹关联算法 220 7.2.2 修正航迹关联算法 221 7.2.3 独立序贯航迹关联算法 221 7.2.4 相关序贯航迹关联算法 223 7.2.5 航迹关联质量设计与多义性 处理 223 7.2.6 航迹关联性能度量与算法流程 224 7.2.7 广义经典分配航迹关联算法 224 7.2.8 有限和衰减记忆航迹关联准则 226 7.3 双门限航迹关联算法 227 7.3.1 统计双门限航迹关联算法 228 7.3.2 模糊双门限航迹关联算法 231 7.4 修正的K近邻域航迹关联算法 235 7.4.1 最近邻域航迹关联算法 235 7.4.2 K近邻域航迹关联算法 237 7.4.3 修正的K近邻域航迹关联算法 237 7.5 基于模糊综合的航迹关联算法 241 7.5.1 基于模糊综合函数的航迹 关联算法 241 7.5.2 多因素模糊综合决策航迹 关联算法 244 7.6 多局部节点航迹关联算法 247 7.6.1 多局部节点统计航迹关联算法 247 7.6.2 多局部节点模糊航迹关联算法 251 7.7 航迹关联算法性能分析 254 7.7.1 实验条件 254 7.7.2 两个局部节点实验结果及分析 256 7.7.3 多局部节点实验结果及分析 258 7.7.4 算法综合性能评价 259 7.8 应用举例 263 7.8.1 空管自动化系统 263 7.8.2 岸基雷达网综合监控系统 265 7.9 小结 266 参考文献 267 第8章 多源信息融合中的状态估计 271 8.1 引言 271 8.2 状态估计中的数学模型 271 8.3 集中式信息融合中的状态估计 272 8.3.1 扩维滤波 272 8.3.2 序贯滤波 273 8.3.3 数据压缩滤波 274 8.3.4 应用举例 275 8.4 分布式信息融合中的状态估计 276 8.4.1 简单凸组合融合估计 277 8.4.2 最大似然概率融合估计 278 8.4.3 信息去相关融合估计 281 8.4.4 协方差交叉融合估计 284 8.4.5 应用举例 287 8.5 多级式信息融合中的状态估计 289 8.5.1 集?分式多级式系统中的 状态估计 289 8.5.2 分?分式多级式系统中的 状态估计 291 8.6 混合式信息融合中的状态估计 293 8.6.1 两层混合式融合结构 293 8.6.2 三层混合式融合结构 295 8.6.3 应用举例 296 8.7 带反馈信息的融合估计 298 8.7.1 带反馈信息的分布式 融合估计 298 8.7.2 带反馈信息的多级式 融合估计 300 8.8 小结 302 参考文献 303 第9章 异类传感器的数据融合 308 9.1 引言 308 9.2 基于最近邻的异类传感器 航迹关联 309 9.2.1 问题描述 309 9.2.2 基于角度量测的异类传感器 航迹关联 310 9.2.3 性能分析 310 9.3 基于统计理论的异类传感器 航迹关联 312 9.3.1 航迹关联判别函数 312 9.3.2 关联判决规则 312 9.3.3 航迹关联决策门限的确定 313 9.4 基于模糊综合分析的异类传感器 航迹关联 317 9.4.1 基于模糊综合分析的关联 判别函数 317 9.4.2 关联决策规则 318 9.4.3 关联决策门限的确定 319 9.4.4 实际应用举例 321 9.5 基于动态信息的异类传感器 航迹抗差关联 323 9.5.1 目标动态信息估计与系统 偏差的影响 323 9.5.2 基于分级聚类的航迹抗差 关联方法 326 9.5.3 基于CPD的航迹抗差 关联方法 327 9.5.4 实际应用举例 329 9.6 基于最优数据压缩的异类 传感器融合跟踪 330 9.6.1 最优数据压缩 330 9.6.2 融合跟踪 332 9.6.3 实际应用举例 334 9.7 基于MSPDAF的异类传感器 融合跟踪 334 9.8 基于IMM-MSPDAF的异类 传感器融合跟踪 338 9.8.1 方法描述 338 9.8.2 实际应用举例 343 9.9 小结 344 参考文献 345 第10章 图像融合 348 10.1 引言 348 10.2 图像融合基础 350 10.2.1 图像融合的一般要求 350 10.2.2 图像融合的架构与分类 350 10.2.3 图像融合预处理与配准 350 10.2.4 图像融合的应用 351 10.3 像素级图像融合方法及应用 352 10.3.1 算术与排序法 352 10.3.2 小波变换法 354 10.3.3 稀疏表达法 356 10.3.4 深度学习法 361 10.3.5 像素级图像融合的应用 363 10.4 特征级图像融合方法及应用 367 10.4.1 联合概率法 368 10.4.2 深层卷积神经网络 369 10.4.3 Transformer网络 372 10.4.4 特征级图像融合的应用 374 10.5 决策级图像融合方法及应用 376 10.5.1 过半票决法 377 10.5.2 模糊集法 378 10.5.3 DS证据推理法 379 10.5.4 决策级图像融合的应用 380 10.6 多源动态图像融合方法及应用 382 10.6.1 多传感器动态图像融合系统 382 10.6.2 基于目标检测的多源动态 图像融合法 384 10.6.3 多源图像动态融合的应用 388 10.7 图像融合效果评价及其应用 390 10.7.1 融合图像质量的主观评价 391 10.7.2 融合图像质量的客观评价 391 10.7.3 融合图像解译结果的客观 评价 396 10.7.4 图像融合效果评价的应用 397 10.8 小结 400 参考文献 400 第11章 多源目标识别融合 405 11.1 引言 405 11.2 基于最大后验概率的目标 识别融合 406 11.2.1 目标识别的判决规则 406 11.2.2 实际应用举例 407 11.3 基于模糊综合的目标识别 融合 408 11.3.1 目标识别决策模型 408 11.3.2 各信源时域递归的目标识别 融合 409 11.3.3 信源域的目标识别空间融合 409 11.3.4 实际应用举例 410 11.4 基于DST的目标识别融合 411 11.4.1 互不相容数据结构的递归目标 识别融合 411 11.4.2 相容数据结构的目标识别 时空融合 412 11.4.3 基本概率赋值（质量函数） 的获取 414 11.4.4 实际应用举例 417 11.5 基于DSmT的目标识别融合 418 11.5.1 DSmT的融合过程 418 11.5.2 递归目标识别融合 419 11.5.3 实际应用举例 420 11.6 综合性目标识别融合 423 11.6.1 基于DST与DSmT目标识别 融合方法 423 11.6.2 基于DST与IFS的目标识别 融合方法 426 11.7 小结 430 参考文献 431 第12章 多源融合导航 434 12.1 引言 434 12.2 导航分类与传感器 434 12.2.1 导航分类 434 12.2.2 传感器简介 435 12.2.3 常用坐标系 435 12.2.4 坐标系转换 436 12.3 导航方法 437 12.3.1 惯性导航 437 12.3.2 卫星导航 444 12.3.3 光学导航 448 12.3.4 脉冲星导航 453 12.3.5 讨论 457 12.4 INS与卫星融合导航 459 12.4.1 INS与卫星组合导航系统简介 460 12.4.2 INS与卫星组合导航算法 460 12.4.3 INS与卫星组合导航实验 463 12.4.4 讨论 464 12.5 光学与脉冲星融合导航 465 12.5.1 光学与脉冲星组合导航 系统简介 465 12.5.2 光学与脉冲星组合导航算法 465 12.5.3 光学与脉冲星组合导航实验 466 12.5.4 讨论 467 12.6 INS、测距测速/光学融合导航 468 12.6.1 INS与光学组合导航 468 12.6.2 INS与测距测速组合导航 469 12.6.3 仿真举例 470 12.6.4 讨论 472 12.7 小结 472 参考文献 473 第13章 无线传感器网络融合 476 13.1 引言 476 13.2 无线传感器网络结构和特点 477 13.3 无线传感器网络信息融合模式 481 13.3.1 多模式传感器数据管理 482 13.3.2 多模式感知数据解释 482 13.3.3 应用系统的开发和部署 482 13.3.4 多模式融合方法 483 13.4 压缩传感下的分布式检测和 估计 485 13.4.1 压缩传感的背景 485 13.4.2 压缩检测 486 13.4.3 压缩参数估计 492 13.5 监听环境下的无线传感器网络安全估计 496 13.5.1 具有安全约束的估计 497 13.5.2 具有保密中断的约束估计 499 13.6 不可靠数据源的鲁棒融合 504 13.6.1 分布式推理网络 504 13.6.2 数据融合的纠错输出码 504 13.6.3 并行网络中的推理 505 13.6.4 树状网络中的推理 507 13.7 无线传感器网络中的决策融合 规则 510 13.7.1 系统模型 510 13.7.2 融合规则 510 13.7.3 混合数据和决策融合 511 13.7.4 最优决策融合 512 13.8 小结 514 参考文献 514 第14章 智能信息融合 518 14.1 引言 518 14.2 典型机器学习算法 519 14.2.1 聚类模型 519 14.2.2 支持向量机 520 14.2.3 决策树模型 521 14.2.4 深度神经网络 522 14.3 机器学习在信息融合中的应用 529 14.3.1 机器学习在网络安全态势评估中 的应用 531 14.3.2 机器学习在交通威胁估计中的 应用 533 14.4 智能视频监控网络 537 14.4.1 智能视频监控网络中的任务 538 14.4.2 智能视频监控系统的设计 实例 543 14.5 深度学习在无线传感器网络中 的应用 546 14.5.1 机器学习在地震监测任务中的 应用 546 14.5.2 机器学习在地质解释任务中 的应用 549 14.5.3 其他无线传感器领域智能融合 应用 552 14.6 小结 553 参考文献 553 第15章 回顾、建议与展望 558 15.1 引言 558 15.2 研究成果回顾 558 15.2.1 多源信息融合的功能和结构 模型 558 15.2.2 分布式检测与融合 559 15.2.3 集中式多传感器综合跟踪 559 15.2.4 分布式多源信息融合中的航迹 关联 559 15.2.5 多源信息融合中的状态估计 559 15.2.6 异类传感器的数据融合 560 15.2.7 图像融合 560 15.2.8 多源目标识别融合 560 15.2.9 多源融合导航和无线传感器网络 融合 561 15.2.10 智能信息融合 561 15.3 问题与建议 561 15.3.1 融合性能在线评估与优化问题 561 15.3.2 集中式多传感器航迹起始问题 562 15.3.3 多约束条件下的多源状态估计 问题 562 15.3.4 系统误差条件下的多源航迹 关联问题 562 15.3.5 特征/属性信息辅助多源融合跟踪 问题 562 15.3.6 可解释融合问题 563 15.3.7 多视图融合问题 563 15.3.8 人机融合问题 563 15.4 研究方向展望 563 15.4.1 理论方法方面 563 15.4.2 工程应用方面 566 参考文献 567 缩略语 572 Contents Chapter 1 Overview of Multisource Information Fusion 1 1.1 Purpose and Significance of Information Fusion 1 1.1.1 Background Description of Information Fusion 1 1.1.2 Definition of Information Fusion 1 1.1.3 Benefits of Information Fusion 2 1.2 Principles of Information Fusion 3 1.2.1 Basic Principles of Information Fusion 3 1.2.2 Levels of Information Fusion 3 1.3 Application Fields of Information Fusion 5 1.3.1 Classification of Issues 5 1.3.2 Applications in Civil Affairs 5 1.3.3 Applications in Military Affairs 8 1.4 History and Current Situation of Information Fusion Research 10 1.4.1 Key Nodes and Events in Information Fusion Research 10 1.4.2 Principal Stages in the Development of Information Fusion Technology 13 1.4.3 Major Academic Achievements in Information Fusion Research 14 1.5 Scope and Overview of This Book 16 References 18 Chapter 2 Foundations of State Estimation 27 2.1 Introduction 27 2.2 Estimation for Linear Dynamic Models: Kalman Filter 27 2.2.1 Definition of Linear Dynamic Models 27 2.2.2 Kalman Filter 28 2.2.3 Kalman Filter Derivation: From the Bayesian Rule 29 2.2.4 Initialization of Kalman Filter 34 2.2.5 Important Properties of Kalman Filter 37 2.2.6 A Kalman Filter Example 39 2.3 Equivalent Forms of Kalman Filter 40 2.3.1 Information Filter 41 2.3.2 Sequential Filter 41 2.3.3 Square-Root Filter 43 2.4 Approximations of Kalman Filter 45 2.4.1 Steady-State Filter 45 2.4.2 Constant-Gain Filter for Kinematic Models 46 2.4.3 A Steady-State Filter Example 50 2.5 Extensions of Kalman Filter 51 2.5.1 Colored Process Noise Case 51 2.5.2 Colored Measurement Noise Case 51 2.5.3 Cross-Correlated Measurement and Process Noise Case 53 2.5.4 Systems with Measurement Delay 54 2.6 State Estimation for Nonlinear Systems 55 2.6.1 Extended Kalman Filter 56 2.6.2 Iterated Extended Kalman Filter 60 2.6.3 Unscented Kalman Filter 61 2.6.4 Particle Filter 64 2.6.5 Measurement Converted Kalman Filter 69 2.6.6 Bias Compensation for Linearization 72 2.7 Summary 73 References 74 Chapter 3 Uncertainty Reasoning Methods 78 3.1 Introduction 78 3.2 Subjective Bayes Method 78 3.2.1 Description of Knowledge Uncertainty 78 3.2.2 Description of Evidence Uncertainty 81 3.2.3 Combination of Multiple Evidences 81 3.2.4 Reasoning Process of Subjective Bayes Method 82 3.2.5 Examples of Subjective Bayes Method Application 82 3.2.6 Advantages and Disadvantages of the Subjective Bayes Approach 82 3.3 Evidence Theory 83 3.3.1 DS Theory 83 3.3.2 DSm Theory 88 3.4 Fuzzy Sets Theory 96 3.4.1 Basic Models 96 3.4.2 Fuzzy Comprehensive Evaluation 99 3.4.3 Examples of Fuzzy Sets Theory Application 101 3.4.4 Extension of Evidence Theory to Fuzzy Sets 101 3.5 Rough Sets Theory 103 3.5.1 Theory Foundation 103 3.5.2 Application in Information Fusion 105 3.5.3 Examples of Rough Sets Theory Application 106 3.6 Summary 106 Reference 107 Chapter 4 Multisource Information Fusion Function and Structural Models 110 4.1 Functional Models of Information Fusion 110 4.1.1 Three Level Functional Model for Information Fusion Systems 110 4.1.2 Four Level Functional Model of Information Fusion System 110 4.1.3 Five Level Functional Model for Information Fusion Systems 111 4.1.4 Six Level Functional Model of Information Fusion System 111 4.1.5 Seven Level Functional Model for Information Fusion Systems 112 4.2 Structural Models of Information Fusion System 115 4.2.1 Detection Level Fusion Structure 115 4.2.2 Position Level Fusion Structure 116 4.2.3 Image Level Fusion Structure 121 4.2.4 Identification Level Fusion Structure 123 4.3 Typical Application Examples of Information Fusion 124 4.3.1 Robot 124 4.3.2 Intrusion Detection System 125 4.3.3 Intelligent Manufacturing 125 4.3.4 Satellite Remote Sensing 126 4.3.5 Decision Centric Warfare 126 4.4 Summary 127 Reference 127 Chapter 5 Distributed Detection and Fusion 131 5.1 Introduction 131 5.2 Global Decision Fusion Rule 132 5.2.1 Decision Fusion Rule with Hard Decisions 132 5.2.2 Decision Fusion Rule with Soft Decisions 134 5.2.3 Decision fusion Rule with Direct Observations 135 5.2.4 Decision Fusion Rule with Asynchronous Decisions 135 5.2.5 Adversarial Decision Fusion Rule 136 5.3 Distributed Detection Systems in Parallel Networks 138 5.3.1 Local Decision Rules and Global Decision Fusion Rule: the Generalized Solution 139 5.3.2 The Special Solution with Conditional Independence 140 5.3.3 The Special Solution with Conditional Independence and Identical Distributions 141 5.3.4 Practical Examples 142 5.4 Distributed Detection Systems in Serial Networks 143 5.4.1 Serial Networks with Two Sensors 143 5.4.2 Serial Networks with Multiple Sensors 144 5.4.3 Practical Examples 145 5.5 Distributed Detection Systems with Feedback 148 5.5.1 Distributed Detection Systems with Feedback in the Presence of A Fusion Center 148 5.5.2 Distributed Detection Systems with Feedback in the Absence of A Fusion Center 152 5.6 Distributed CFAR Detection 153 5.6.1 Classical Methods of Distributed CFAR Detection 154 5.6.2 Methods of Distributed CFAR Detection for Sparse Signals 157 5.7 Summary 161 Reference 162 Chapter 6 Centralized Multisensor Integrated Tracking Algorithms 165 6.1 Introduction 165 6.2 Multisensor Joint Probabilistic Data Association Algorithm 166 6.2.1 Concept of Data Association 166 6.2.2 Single-Sensor Joint Probabilistic Data Association Algorithm 166 6.2.3 Multisensor Joint Probabilistic Data Association Algorithm 174 6.3 Multisensor Generalized S-D Assignment Algorithm 178 6.3.1 Multisensor Generalized 3-D Assignment Algorithm 179 6.3.2 Multisensor Generalized S-D Assignment Algorithm 182 6.4 Multisensor Multiple Hypothesis Data Association Algorithm 188 6.4.1 Basic Model of Multiple Hypothesis Tracking 188 6.4.2 Multisensor Multiple Hypothesis Tracking 190 6.5 Multisensor Interactive Multiple Model Tracking Algorithm 192 6.6 Multisensor Random Finite Set Tracking Algorithm 195 6.6.1 Foundation of the Random Finite Set 195 6.6.2 Single-Sensor Cardinalized Probability Hypothesis Density Filter 199 6.6.3 Multisensor Cardinalized Probability Hypothesis Density Filter 204 6.7 Performance Analysis of Integrated Tracking Algorithms 208 6.7.1 Simulation Model 208 6.7.2 Simulation Result 210 6.7.3 Discussion 213 6.8 Summary 215 References 216 Chapter 7 Track-Track Correlation Algorithm for Distributed Multi-Source Information Fusion 219 7.1 Introduction 219 7.2 Sequential Track Correlation Algorithm 219 7.2.1 Weighted Track Correlation Algorithm 220 7.2.2 Modified Track Correlation Algorithm 221 7.2.3 Independent Sequential Track Correlation Algorithm 221 7.2.4 Dependent Sequential Track Correlation Algorithm 223 7.2.5 Track Correlation Quality Design and Ambiguity Processing 223 7.2.6 Flow of Track Correlation Performance Measurement and Algorithm 224 7.2.7 Generalized Classical Assign Track Correlation Algorithm 224 7.2.8 Finite and Attenuated Memory Track Correlation Criteria 226 7.3 Double Threshold Track Correlation Algorithm 227 7.3.1 Statistical Double Threshold Track Correlation Algorithm 228 7.3.2 Fuzzy Double Threshold Track Correlation Algorithm 231 7.4 Modified K-Nearest Neighbor Track Correlation Algorithm 235 7.4.1 Nearest Neighbor Track Correlation Algorithm 235 7.4.2 K Nearest Neighbor Track Correlation Algorithm 237 7.4.3 Modified K Nearest Neighbor Track Correlation Algorithm 237 7.5 Track Correlation Algorithm Based on Fuzzy Synthesis 241 7.5.1 Track Correlation Algorithm Based on Fuzzy Synthesis Function 241 7.5.2 Track Correlation Algorithm for Multi-Factor Fuzzy Comprehensive Decision Making 244 7.6 Track Correlation Algorithm in an Environment of Multiple Local Nodes 247 7.6.1 Statistical Track Correlation Algorithm in an Environment of Multiple Local Nodes 247 7.6.2 Fuzzy Track Correlation Algorithm in an Environment of Multiple Local Nodes 251 7.7 Performance Analysis of Track Correlation Algorithms 254 7.7.1 Conditions of Experiment 254 7.7.2 Results and Analysis of Two Local Nodes 256 7.7.3 Results and Analysis of Multiple Local Nodes 258 7.7.4 Comprehensive Performance Evaluation of Algorithms 259 7.8 Application Examples 263 7.8.1 Air Traffic Control Automation System 263 7.8.2 Integrated Monitoring System of Shore-Based Radar Network 265 7.9 Summary 266 References 267 Chapter 8 State estimation for multisource information fusion 271 8.1 Introduction 271 8.2 Signal Model for State Estimation 271 8.3 State Estimation for Centralized Fusion 272 8.3.1 Augmented Filter 272 8.3.2 Sequential Filter 273 8.3.3 Data compressing Filter 274 8.3.4 A Centralized Fusion Example 275 8.4 State Estimation for Distributed Fusion 276 8.4.1 Simple Convex Combination Fusion 277 8.4.2 Maximum Likelihood Fusion 278 8.4.3 Information Decorrelation Fusion 281 8.4.4 Covariance Intersection Fusion 284 8.4.5 A Distributed Fusion Example 287 8.5 State Estimation for Multi-level Fusion 289 8.5.1 Centralized-Distributed Multi-Level Fusion 290 8.5.2 Distributed-Distributed Multi-Level Fusion 291 8.6 State Estimation for Hybrid Fusion 293 8.6.1 Two-Level Hybrid Fusion 293 8.6.2 Three-Level Hybrid Fusion 295 8.6.3 A Hybrid Fusion Example 296 8.7 Estimation Fusion with Feedback 298 8.7.1 Distributed Fusion with Feedback 299 8.7.2 Multi-Level Fusion with Feedback 300 8.8 Summary 302 References 303 Chapter 9 Heterogeneous Sensor Data Fusion 308 9.1 Introduction 308 9.2 Heterogeneous Sensor Track Association Based on Nearest Neighbor 309 9.2.1 Problem Description 309 9.2.2 Heterogeneous Sensor Track Association Based on Angle Measurements 310 9.2.3 Performance Analysis 310 9.3 Heterogeneous Sensor Track Association Based on Statistical Theory 312 9.3.1 Track Association Decision Function 312 9.3.2 Decision Rule for Track Association 312 9.3.3 Determination of the Decision Threshold for Track Association 313 9.4 Heterogeneous Sensor Track Association Based on Fuzzy Comprehensive Analysis 317 9.4.1 Association Decision Function Based on Fuzzy Comprehensive Evaluation 317 9.4.2 Association Decision Rule 318 9.4.3 Determination of the Decision Threshold for Association 319 9.4.4 Examples of Practical Applications 321 9.5 Heterogeneous Sensor Anti-Bias Track Association Based on Dynamic Information 322 9.5.1 Target Dynamics Estimation and Effects of Systematic Errors 323 9.5.2 Anti-Bias Track Association Based on Hierarchical Clustering 326 9.5.3 Anti-Bias Track Association Based on CPD 327 9.5.4 Examples of Practical Applications 329 9.6 Heterogeneous Sensor Fusion Tracking Based on Optimal Data Compression 330 9.6.1 Optimal Data Compression 330 9.6.2 Fusion Tracking 332 9.6.3 Examples of Practical Applications 9.7 Heterogeneous Sensor Fusion Tracking Based on MSPDAF 334 9.8 Heterogeneous Sensor Fusion Tracking Based on IMM-MSPDAF 338 9.8.1 Method Description 338 9.8.2 Examples of Practical Applications 343 9.9 Summary 344 Reference 345 Chapter 10 Image Fusion 348 10.1 Introduction 348 10.2 Fundamentals of Image Fusion 350 10.2.1 General Requirements of Image Fusion 350 10.2.2 Framework and Categories of Image Fusion 350 10.2.3 Preprocessing and Registration for Image Fusion 350 10.2.4 Applications of Image Fusion 351 10.3 Methods and Applications of Pixel- Level Image Fusion 352 10.3.1 Arithmetic and Order-Statistic Methods 352 10.3.2 Wavelet Transform Methods 354 10.3.3 Sparse Representation Methods 356 10.3.4 Deep Learning Methods 361 10.3.5 Applications of Pixel-Level Image Fusion 363 10.4 Methods and Applications of Feature- Level Image Fusion 367 10.4.1 Joint Probability Methods 368 10.4.2 Deep Convolutional Neural Network Methods 369 10.4.3 Transformer Network Methods 372 10.4.4 Applications of Feature-Level Image Fusion 374 10.5 Methods and Applications of Decision-Level Image Fusion 376 10.5.1 Majority Vote Methods 377 10.5.2 Fuzzy Set Methods 378 10.5.3 DS Evdence Reasoning Methods 379 10.5.4 Applications of Decision-Level Image Fusion 380 10.6 Methods and Applications of Dynamic Image Fusion 382 10.6.1 Multi-Sensor Dynamic Image Fusion Systems 382 10.6.2 Target Detection-Based Dynamic Image Fusion Methods 3384 10.6.3 Applications of Dynamic Image Fusion 388 10.7 Methods and Applications of Image Fusion Quality Evaluation 390 10.7.1 Subjective Evaluation of Image Fusion Quality 391 10.7.2 Objective Evaluation of Image Fusion Quality 391 10.7.3 Evaluation of Image Interpretation Quality after Image Fusion 396 10.7.4 Applications of Image Fusion Quality Evaluation 397 10.8 Summary 400 Reference 400 Chapter 11 Multi Source Target Recognition Fusion 405 11.1 Introduction 405 11.2 Target Recognition Fusion Based on MAP 406 11.2.1 Decision Rules for Target Recognition 406 11.2.2 Examples of Practical Applications 407 11.3 Target Recognition Fusion Based on Fuzzy Synthesis 408 11.3.1 Target Recognition Decision Model 408 11.3.2 Temporal Recursive Target Recognition Fusion for Multi-Source Data 409 11.3.3 Spatial Fusion of Target Recognition in Source Domain 409 11.3.4 Examples of Practical Applications 410 11.4 Target Recognition Fusion Based on Dempster-Shafer Theory 411 11.4.1 Recursive Target Recognition Fusion with Incompatible Data Structures 411 11.4.2 Temporal-Spatia Fusion of Target Recognition with Compatible Data Structures 412 11.4.3 Acquisition of Basic Probability Assignment (Mass Function) 414 11.4.4 Examples of Practical Applications 417 11.5 Target Recognition Fusion Based on Dezert-Smarandache Theory 418 11.5.1 Fusion Process in DSmT 418 11.5.2 Recursive Target identification Fusion 419 11.5.3 Examples of Practical Applications 420 11.6 Integrated Target Recognition Fusion 423 11.6.1 Target Recognition Fusion Method Based on DST and DSmT 423 11.6.2 Target Recognition Fusion Method Based on DST and IFS 426 11.7 Summary 430 References 431 Chapter 12 Multisource Fusion Navigation 434 12.1 Introduction 434 12.2 Navigation Classification and Sensors 434 12.2.1 Navigation Classification 434 12.2.2 Introduction to Sensors 435 12.2.3 Commonly Used Coordinate Systems 435 12.2.4 Coordinate Transformation 436 12.3 Navigation Methods 437 12.3.1 Inertial Navigation Systems 437 12.3.2 Satellite Navigation Systems 444 12.3.3 Optical Navigation Systems 448 12.3.4 Pulsar Navigation Systems 453 12.3.5 Discussion 457 12.4 INS and Satellite Fusion Navigation 459 12.4.1 Overview of INS and Satellite Integrated Navigation Systems 460 12.4.2 INS and Satellite Integrated Navigation Algorithms 460 12.4.3 INS and Satellite Integrated Navigation Experiments 463 12.4.4 Discussion 464 12.5 Optical and Pulsar Fusion Navigation 465 12.5.1 Optical and Pulsar Integrated Navigation System Overview 465 12.5.2 Optical and Pulsar Integrated Navigation Algorithms 465 12.5.3 Optical and Pulsar Integrated Navigation Experiments 466 12.5.4 Discussion 467 12.6 INS, Ranging and Speed Measurement/Optical Fusion Navigation 468 12.6.1 INS and Optical Integrated Navigation 468 12.6.2 INS and Range-Rate Integrated Navigation 469 12.6.3 Simulation Examples 470 12.6.4 Discussion 472 12.7 Summary 472 References 473 Chapter 13 Wireless Sensor Network Fusion 476 13.1 Introduction 476 13.2 Wireless Sensor Network Architecture and Features 477 13.3 Wireless Sensor Network Information Fusion Model 481 13.3.1 Multimodal Sensor Data Management 482 13.3.2 Multimodal Sensor Data Interpretation 482 13.3.3 Real-World System Development and Deployment 482 13.3.4 Multimodal Fusion Methodology 483 13.4 Compressed Distributed Detection and Estimation 485 13.4.1 Compressive Sensing: Background 485 13.4.2 Compressed Detection 486 13.4.3 Compressed Parameter Estimation 492 13.5 Secure Estimation in Wireless Sensor Networks in the Presence of An Eavesdropper 496 13.5.1 Estimation with Security Constraints 497 13.5.2 Estimation with Secrecy Outage Constraints 499 13.6 Robust Fusion of Wnreliable Data Sources 504 13.6.1 Distributed Inference Network 504 13.6.2 Error-Correcting Output Codes for Data Fusion 504 13.6.3 Inference in Parallel Networks 505 13.6.4 Inference in Tree Networks 507 13.7 Decision Fusion Rules in Wireless Sensor Network 510 13.7.1 System Model 510 13.7.2 Fusion Rules 510 13.7.3 Hybird Data and Decision Fusion 511 13.7.4 Optimal Decision Fusion 512 13.8 Summary 514 References 514 Chapter 14 Intelligent Information Fusion 518 14.1 Introduction 518 14.2 Typical Machine Learning Algorithms 519 14.2.1 Clustering Models 519 14.2.2 Support Vector Machines 520 14.2.3 Decision Tree 521 14.2.4 Deep Neural Networks 522 14.3 Applications of machine learning in information fusion 529 14.3.1 Applications of Machine Learning in Network Security Situation Assessment 531 14.3.2 Applications of Machine Learning in Traffic Threat Estimation 533 14.4 Intelligent Video Surveillance Network 537 14.4.1 Tasks in Intelligent Video Surveillance Network 538 14.4.2 Design Cases of Intelligent Video surveillance system 543 14.5 Applications of Deep Learning in Wireless Sensor Networks 546 14.5.1 Applications of Machine Learning in Earthquake Monitoring Tasks 546 14.5.2 Applications of Machine Learning to Geological Interpretation Tasks 549 14.5.3 Intelligent Fusion Applications in Other Wireless Sensor Fields 552 14.6 Summary 553 References 553 Chapter 15 Reviews, Recommendations and Prospects 558 15.1 Introduction 558 15.2 Review of Research Achievements 558 15.2.1 Functional and Structural Model of Multisource Information Fusion 558 15.2.2 Distributed Detection and Fusion 559 15.2.3 Centralized Multisensor Integrated Tracking 559 15.2.4 Track Correlation in Distributed Multisource Information Fusion 559 15.2.5 State Estimation in Multisource Information Fusion 559 15.2.6 Data Fusion of Heterogeneous Sensors 560 15.2.7 Image Fusion 560 15.2.8 Multisource Target Identification Fusion 560 15.2.9 Fusion of Multisource Navigation and Wireless Sensor Network 561 15.2.10 Intelligent Information Fusion 561 15.3 Questions and Recommendations 561 15.3.1 Online Fusion Performance Evaluation and Optimization Problem 561 15.3.2 Centralized Multisensor Track Initiation Problem 562 15.3.3 Multisource State Estimation Problem under Multiple Constraints 562 15.3.4 Multisource Track Correlation Problem with Systematic Error 562 15.3.5 Feature/Attribute Information Aided Multisource Fusion Tracking Problem 562 15.3.6 Explainable Fusion Problem 563 15.3.7 Multi-View Fusion Problem 563 15.3.8 Man-Machine Fusion Problem 563 15.4 Research Direction Outlook 563 15.4.1 Theoretical and Methodological Aspects 563 15.4.2 Engineering Application Aspects 566 References 567 Abbreviation 567
你还可能感兴趣
我要评论
|
