本书聚焦于复杂信息环境（信息海量、模糊、冲突、不确定、缺损等）下，智能信息融合处理的最新发展趋势与研究方向，总结创新成果，将人工智能运用到信息融合技术中。本书除了理论讲解，更注重人工智能在具体场景中的落地应用。本书采用机器学习、深度学习等人工智能技术，围绕信息融合中的多源信息关联、目标跟踪、目标识别等核心关键问题，应用在中断航迹智能关联、多源航迹智能关联、跨域信息统一表示、跨域信息关联、目标智能跟踪、目标智能滤波、基于航行大数据的目标识别等方面，可为实际工程应用提供重要技术支撑。

副教授，主要研究方向包括雷达数据处理、多源信息融合和人工智能交叉应用等。获国家自然科学基金青年基金资助，入选中国科协青年人才托举工程，获中国航空学会科技进步二等奖2项、省部级科技进步二等奖2项。发表学术论文42篇，其中SCI 18篇、EI 21篇，获授权国家发明专利13项、登记软件著作权3项、出版专著2部、译著1部，协助指导硕博研究生12名，其中1名山东省优秀博士学位论文获得者、1名中国航空学会优秀硕士论文获得者。

目录
第1章 概述 1
1.1　引言 1
1.2　目标跟踪的研究历程 2
1.3　目标识别的研究历程 11
1.4　目标跟踪与识别的主要挑战 13
1.5　人工智能时代下的发展新机遇 16
1.6　本书的范围和概貌 21
参考文献 24
第2章 人工智能基础 26
2.1　引言 26
2.2　机器学习基础 26
2.2.1 定义与历程 26
2.2.2 分类与术语 28
2.3　机器学习步骤 30
2.3.1 数据集构建 30
2.3.2 模型选择 30
2.3.3 模型训练 31
2.3.4 模型运用 33
2.4　机器学习典型算法 33
2.4.1 感知机 33
2.4.2 支持向量机 35
2.4.3 神经网络 38
2.4.4 集成学习 38
2.5　深度学习 42
2.5.1 概述 42
2.5.2 卷积神经网络 42
2.5.3 循环神经网络 44
2.5.4 图神经网络 46
2.5.5 生成对抗网络 47
2.5.6 扩散模型 47
2.5.7 Transformer模型 50
2.5.8 网络优化与正则化 53
2.5.9 迁移学习 54
2.5.10 注意力机制 54
2.5.11 神经网络的可视化 54
2.6　强化学习 55
2.6.1 概述 55
2.6.2 基本术语 55
2.6.3 Q-Learning算法 56
2.6.4 策略梯度算法 57
2.6.5 演员-评论家算法 58
2.7　小结 59
参考文献 59
第3章 结合式智能滤波方法 61
3.1　引言 61
3.2　目标跟踪的基础理论和模型 62
3.2.1 状态空间模型 62
3.2.2 贝叶斯滤波器 63
3.3　Kalman和深度学习混合驱动的目标跟踪算法 64
3.3.1 Kalman滤波器 64
3.3.2 端到端学习的推导 65
3.3.3 端到端学习的循环Kalman目标跟踪算法 69
3.3.4 数据集生成与算法训练 71
3.3.5 仿真实验与结果分析 74
3.4　IMM和深度学习混合驱动的目标跟踪算法 81
3.4.1 IMM算法 81
3.4.2 端到端学习的自适应IMM算法原理 82
3.4.3 数据集生成与算法训练 85
3.4.4 仿真实验与结果分析 86
3.5　算法性能综合对比分析 92
3.6　小结 96
参考文献 96
第4章 替换式智能滤波方法 99
4.1　引言 99
4.2　基于神经微分方程的单模型混合驱动目标跟踪算法 100
4.2.1 目标运动的随机微分方程 100
4.2.2 单模型混合驱动目标跟踪算法 101
4.2.3 数据集生成与算法训练 105
4.2.4 仿真实验与结果分析 106
4.3　基于神经微分方程的多模型混合驱动目标跟踪算法 113
4.3.1 单模型混合驱动目标跟踪算法的专一性 113
4.3.2 算法结构设计与训练 115
4.3.3 仿真实验与结果分析 116
4.4　算法性能综合对比分析 121
4.5　小结 124
参考文献 124
第5章 重构式智能滤波方法 126
5.1　引言 126
5.2　典型滤波计算结构分析 126
5.2.1 ? -? 滤波计算结构分析 126
5.2.2 Kalman滤波计算结构分析 127
5.3　重构式智能滤波 129
5.3.1 典型神经网络结构 129
5.3.2 重构式智能滤波网络结构设计 131
5.3.3 重构式智能滤波网络简单实现 132
5.4　实验验证 133
5.4.1 仿真设置 133
5.4.2 仿真结果 135
5.5　小结 141
参考文献 142
第6章 基于强化学习的数据智能关联方法 143
6.1　引言 143
6.2　网络集成学习的数据关联网络架构 143
6.2.1 模型组成 144
6.2.2 USMA网络架构 146
6.2.3 训练网络与测试网络 149
6.2.4 仿真实验与结果分析 151
6.3　基于LSTM-RL网络的数据关联网络架构 161
6.3.1 网络架构 162
6.3.2 智能体设计 162
6.3.3 动作选择 164
6.3.4 奖励函数的定义 165
6.3.5 自适应调整机制 166
6.3.6 仿真实验与结果分析 167
6.4　小结 174
参考文献 174
第7章 端到端目标智能跟踪方法 177
7.1　引言 177
7.2　问题描述与算法分析 178
7.2.1 多目标跟踪问题描述 178
7.2.2 关联类目标跟踪框架 179
7.2.3 数据关联与跟踪滤波 179
7.2.4 DeepSTT网络设计原则 181
7.3　DeepSTT-B网络设计 182
7.3.1 DeepSTT-B网络 182
7.3.2 DeepSTT网络 184
7.3.3 跟踪实现 185
7.4　实验验证 187
7.4.1 仿真设置 187
7.4.2 仿真结果 188
7.5　小结 194
参考文献 195
第8章 无人艇平台视频多目标跟踪 197
8.1　引言 197
8.2　现有研究基础 197
8.2.1 基于检测的视频多目标跟踪 197
8.2.2 SORT算法 198
8.2.3 SIFT图像配准与RANSAC算法 200
8.3　无人艇视频多目标跟踪改进算法 201
8.3.1 基于图像配准的运动补偿算法S-R补偿 201
8.3.2 引入加速度参数的Kalman滤波 203
8.3.3 多级级联匹配 205
8.4　实验对比及分析 206
8.4.1 数据集构建 206
8.4.2 评估指标 207
8.4.3 消融实验 208
8.4.4 算法改进前后跟踪结果可视化分析 208
8.4.5 与其他SOTA算法的对比及分析 211
8.5　小结 213
参考文献 213
第9章 航行特征机器学习目标识别方法 215
9.1　引言 215
9.2　航迹特征建模 216
9.2.1 平均航速 216
9.2.2 最大航速 216
9.2.3 高速航行比例 216
9.2.4 低速航行比例 217
9.2.5 加速机动因子 217
9.2.6 航向累计变化量 217
9.2.7 转向机动因子 218
9.3　航迹数据集构建 219
9.3.1 AIS数据 219
9.3.2 数据集构建流程 221
9.3.3 数据分析 224
9.4　分类器设计 225
9.5　实验对比及分析 225
9.5.1 特征量筛选 225
9.5.2 特征可视化分析 226
9.5.3 实验结果 226
9.6　小结 228
参考文献 228
第10章 航行特征深度学习目标识别方法 231
10.1　引言 231
10.2　基于贝叶斯-Transformer神经网络模型的目标识别方法 231
10.2.1 贝叶斯-Transformer神经网络模型 231
10.2.2 实验对比及分析 235
10.2.3 本节小结 241
10.3　融合情境信息的海面目标识别方法 242
10.3.1 情境信息建模 242
10.3.2 基于情境增强的航迹识别方法 246
10.3.3 实验对比及分析 247
10.3.4 本节小结 253
10.4　小结 253
参考文献 254
第11章 可见光遥感图像与SAR图像关联 256
11.1　引言 256
11.2　研究基础 257
11.2.1 SAR图像关联学习算法 257
11.2.2 有监督多源哈希关联算法 258
11.3　深度多源哈希算法DCMHN 258
11.3.1 图像变换机制 259
11.3.2 图像对训练策略 260
11.3.3 三元组哈希损失结构 261
11.4　实验对比及分析 262
11.4.1 SAR-可见光双模态遥感图像数据集 262
11.4.2 实验设置和评估标准 263
11.4.3 DCMHN算法有效性实验 264
11.4.4 参数分析 267
11.4.5 对比实验 269
11.5　小结 270
参考文献 271
第12章 可见光遥感图像与文本信息关联 273
12.1　引言 273
12.2　遥感图像与英文文本跨模态关联 273
12.2.1 研究基础 274
12.2.2 基于深度哈希的相似度矩阵辅助遥感图像跨模态关联方法 274
12.2.3 实验对比及分析 278
12.3　遥感图像与中文文本跨模态关联 283
12.3.1 研究基础 285
12.3.2 基于多粒度特征的遥感图像跨模态关联方法 286
12.3.3 实验对比及分析 290
12.4　小结 294
参考文献 295
第13章 遥感SAR图像与AIS信息关联 297
13.1　引言 297
13.2　研究基础 298
13.2.1 SAR图像与AIS信息关联方法 298
13.2.2 特征融合 298
13.3　基于深度特征融合的遥感图像与AIS信息关联方法 299
13.3.1 SAR图像特征表示 300
13.3.2 AIS信息特征表示 301
13.3.3 特征融合设计 302
13.4　实验对比及分析 304
13.4.1 数据集构建 304
13.4.2 实验设置 305
13.4.3 对比实验结果与分析 305
13.4.4 模型简化实验 307
13.5　小结 308
参考文献 308
第14章 遥感图像与文本间通用跨模态关联 310
14.1　引言 310
14.2　研究基础 310
14.2.1 Transformer相关介绍 310
14.2.2 对比学习方法 311
14.3　基于融合对比的遥感图像跨模态关联方法 311
14.3.1 遥感图像视觉特征表示 313
14.3.2 序列文本特征表示 314
14.3.3 跨模态信息融合 314
14.3.4 目标函数 315
14.4　实验对比及分析 317
14.4.1 实验设置及评价指标 317
14.4.2 对比实验结果与分析 317
14.4.3 模型有效性验证实验 321
14.4.4 关联检索结果展示与分析 323
14.5　小结 327
参考文献 327