收藏
样书申请
| * 申请人： | |
| * 详细地址： | |
| * 数量： | |
| * 手机号码： | |
| 邮箱： | |
| 1.请在地址处注明您所在单位和职务.2.申请提交后,工作人员稍后和您联系. |
POD订购
| * 订购人： | |
| * 详细地址： | |
| * 数量： | |
| * 手机号码： | |
| 邮箱： | |
- 内容简介
- 目录
- 读者反馈
- 图书推荐
National Defense Industry Press is authorized to publish and distribute exclusively the Chinese （Simplified Characters） language edition.This edition is authorized for sale throughout Mainland of China
.No part of the publication may be reproduced or distributed by any means,or stored in a da-tabase or retrieval system,without the prior written permission of the publisher.本书中文简体翻译版经授权由国防工业出版社独家出版，并限在中国大陆地区销售。未经出版者书面许可，不得以任何方式复制或发行本书的任何部分。
目录
本书翻译组0
译者序0
前言0
第1章 现代情报和安全问题对信息融合技术的能力挑战1
1.1 支持信息的异质性3
1.1.1 观测数据3
1.1.2 开源和社会媒体数据3
1.1.3 上下文数据3
1.1.4 本体数据5
1.1.5 习得信息5
1.2 公共参考和数据关联6
1.3 语义学7
1.4 图形表示和方法8
1.5 总体系统架构和分析框架9
1.6 能力短板和研究需要12
1.7 结论13
致谢13
参考文献13
第2章 传感器数据融合：以数据为中心的先进算法回顾和新兴趋势概述17
2.1 简介19
2.2 多传感器数据融合19
2.2.1 多传感器数据融合是什么19
2.2.2 多传感器数据融合的应用20
2.3 以数据为中心的多传感器数据融合分类方法21
2.3.1 缺陷数据的融合23
2.3.2 相关数据的融合24
2.3.3 非一致性数据的融合24
2.3.4 分散数据的融合26
2.4 数据融合系统的评估26
2.5 多传感器发展的新方向28
2.5.1 社交数据融合28
2.5.2 机会数据融合28
2.5.3 适应性融合和学习29
2.5.4 数据可靠性和信度29
2.5.5 云计算和大数据融合技术中的数据融合30
2.5.6 数据流的融合30
2.5.7 低级与高级数据融合31
2.5.8 JDL模型的演变31
2.6 结论31
参考文献32
第3章 信息融合理论的应用41
3.1 引言43
3.1.1 军事系统数据融合的相关问题43
3.1.2 数据融合的主要功能43
3.1.3 信息质量的重要性44
3.1.4 信息质量类型44
3.2 数据融合理论45
3.2.1 可信性质量分配46
3.2.2 概率47
3.2.3 可能性-必然性47
3.2.4 信度-似真度48
3.3 性能比较49
3.3.1 非相加性的综合作用50
3.3.2 不确定的信度和可靠性51
3.3.3 性能比较的结论52
3.4 实验53
3.4.1 客观不确定性实验53
3.4.2 主观不确定性实验55
3.5 冲突测量时的加权决策57
3.6 结论59
参考文献59
第4章 面向信息管理企业的JDL模型（Ⅲ）改进61
4.1 引言63
4.2 信息融合处理模型64
4.3 信息管理企业68
4.3.1 企业中的信息融合建模68
4.3.2 信息管理模型70
4.3.3 云的分层视图71
4.3.4 上下文的系统级管理72
4.4 机器分析73
4.4.1 建模分析73
4.4.2 数据融合分析75
4.5 用户参与76
4.6 信息利用分析77
4.6.1 使用物理和人为数据的上下文跟踪77
4.6.2 信息管理上下文跟踪78
4.7 结论80
致谢81
参考文献81
第5章 随机集信息融合基础85
5.1 引言87
5.2 有限集统计方法88
5.3 单传感器单目标系统89
5.3.1 单传感器/目标系统：递归贝叶斯滤波89
5.3.2 单传感器/单目标系统：矩近似90
5.3.3 单传感器/目标系统：目标建模90
5.3.4 单传感器/目标系统：传感器建模91
5.3.5 单传感器/目标系统：“真实"马尔科夫密度和似然92
5.4 多传感器多目标系统92
5.4.1 多传感器多目标系统：随机有限集92
5.4.2 多传感器多目标系统：RFS的概率分布92
5.4.3 多传感器多目标系统：多传感器多目标贝叶斯滤波器93
5.4.4 多传感器多目标系统：多目标运动建模94
5.4.5 多传感器多目标系统：多目标量测建模95
5.4.6 多传感器多目标系统：用于建模的多目标微积分95
5.5 原则性近似多目标滤波器96
5.5.1 泊松近似：PHD滤波器96
5.5.2 独立同分布群近似：CPHD过滤器97
5.5.3 多伯努利近似：多伯努利滤波器与GLMB滤波器97
5.6 有限集统计近似方法论98
5.7 结论98
参考文献98
第6章 带过程噪声的动态系统最优融合101
6.1 引言103
6.2 分布式估计问题104
6.2.1 状态模型和量测模型104
6.2.2 集中式融合105
6.2.3 分布式估计结构105
6.3 非线性系统的最优融合107
6.3.1 贝叶斯分布式融合方程107
6.3.2 具有确定性动态的非线性系统贝叶斯融合107
6.3.3 不确定性动态的贝叶斯融合108
6.4 带过程噪声的线性系统最优融合109
6.4.1 高斯随机向量的贝叶斯分布式融合109
6.4.2 标准的航迹段或等价检报融合110
6.4.3 基于增广状态的tracklet融合111
6.5 带过程噪声线性系统的其他融合方法112
6.5.1 最大似然互协方差融合112
6.5.2 最小方差（MV）融合113
6.5.3 分布式卡尔曼滤波器114
6.5.4 基于累积状态密度（ASD）的航迹融合115
6.6 性能评估116
6.6.1 目标模型和量测模型116
6.6.2 性能结果116
6.7 结论118
附录118
参考文献119
第7章 数据融合的模糊多判据方法123
7.1 引言125
7.2 数据融合概述125
7.2.1 数据融合主要类型125
7.2.2 现有模型127
7.3 FIF算法130
7.3.1 背景与范围130
7.3.2 FIF结构131
7.4 示例应用134
7.4.1 IPSIS——避险安全着陆134
7.4.2 ILUV无人机着陆点选择137
7.5 结论140
致谢140
参考文献140
第8章 异类传感器的分布式检测和数据融合145
8.1 概述147
8.2 分布式检测理论基础148
8.2.1 条件独立检测149
8.2.2 相关观测150
8.3 异类传感器的分布式检测151
8.3.1 异类数据的建模152
8.3.2 基于（错误） GLRT的融合准则156
8.3.3 计算有效的融合规则158
8.3.4 例子162
8.4 结论164
致谢165
参考文献165
第9章 基于信息质量的融合系统评估169
9.1 引言171
9.2 数据和信息质量171
9.2.1 信息质量：综述171
9.2.2 融合系统中的数据和信息174
9.3 信息质量评估方法175
9.3.1 系统分解：局部质量175
9.3.2 质量传递函数176
9.3.3 信息融合系统评估178
9.4 结论和观点180
参考文献180
第10章 传感器故障鲁棒融合183
10.1 引言185
10.2 传感器和传感器故障模型186
10.3 最小贝叶斯风险融合187
10.4 顾及传感器失效的最小叶贝斯风险融合187
10.4.1 已知的传感器特征187
10.4.2 未知的传感器特征189
10.5 数值实验190
10.5.1 示例：独立故障和已知特征190
10.5.2 示例：相关故障与未知特征190
10.5.3 RSVP-键盘192
10.6 传感器特征在线学习193
10.7 结论195
参考文献195
第11章 多传感器卡尔曼滤波和数据融合中相关信息的处理197
11.1 引言199
11.1.1 预备知识199
11.2 组网系统中的状态估计200
11.2.1 卡尔曼滤波200
11.2.2 多传感器系统和网络201
11.3 相关性信息的来源201
11.3.1 常见传感器数据的重复计算202
11.3.2 共同先验信息和过程噪声202
11.3.3 组网状态估计策略203
11.4 集中式多传感器状态估计204
11.4.1 多传感器卡尔曼滤波204
11.4.2 信息滤波205
11.5 协同分布式状态估计206
11.5.1 联邦卡尔曼滤波207
11.5.2 最优分布式卡尔曼滤波209
11.5.3 假设卡尔曼滤波211
11.5.4 一致性卡尔曼滤波212
11.6 分散式状态估计与数据融合213
11.6.1 最优融合214
11.6.2 椭球交叉215
11.6.3 协方差交叉216
11.7 结论217
参考文献218
第12章 容积信息滤波器——多传感器融合理论与应用221
12.1 引言223
12.2 信息滤波：简要回顾223
12.2.1 信息融合224
12.3 平方根容积信息滤波器225
12.3.1 时间更新225
12.3.2 量测更新226
12.4 应用229
12.4.1 带反馈的分布式传感器网络的机动目标跟踪229
12.4.2 两相永磁同步电机的速度和转子位置估计232
12.5 结论233
参考文献234
第13章 线性等式约束系统的估计融合235
13.1 引言237
13.2 问题描述238
13.3 约束的集中式融合239
13.3.1 伪量测方法239
13.3.2 投影方法240
13.3.3 零空间方法241
13.3.4 直接消除法242
13.4 约束的分布式融合244
13.5 举例和讨论245
13.6 结论248
参考文献248
第14章 基于容积卡尔曼滤波器的异步多传感器非线性信息融合算法251
14.1 引言253
14.2 背景253
14.2.1 多传感器信息融合253
14.2.2 容积滤波器的解255
14.3 基于CKF的异步多传感器非线性信息融合算法256
14.4 仿真结果258
14.5 结论260
参考文献260
第15章 多传感器概率假设密度滤波器解析实现263
15.1 引言265
15.2 问题提出266
15.3 MS-PHD校正267
15.4 线性高斯模型下高斯混合MS-PHD校正269
15.4.1 基本假设269
15.4.2 主要结论总结270
15.5 有效的二元分划273
15.6 仿真结果275
15.7 结论278
致谢278
参考文献278
第16章 带乘性噪声的多传感器多速率系统信息融合估计281
16.1 介绍283
16.2 问题描述284
16.3 集中式融合滤波285
16.4 分布式融合滤波287
16.4.1 系统转换288
16.4.2 局部状态估计289
16.4.3 互协方差矩阵的计算289
16.4.4 矩阵加权分布式融合估计290
16.5 仿真291
16.6 结论293
致谢293
参考文献293
第17章 滤波误差和量测噪声协方差奇异时的最优分布式卡尔曼滤波融合297
17.1 介绍299
17.2 问题模型301
17.3 具有奇异滤波误差协方差的分布式卡尔曼滤波融合303
17.4 当滤波误差的协方差奇异时，反馈卡尔曼滤波融合的最优特性305
17.5 滤波误差和量测噪声协方差奇异时的最优卡尔曼滤波融合306
17.6 数值算例308
17.7 结论312
附录Ⅰ312
附录Ⅱ317
参考文献320
第18章 累计状态密度及其在目标跟踪中的应用323
18.1 简介325
18.2 跟踪目标问题325
18.3 贝叶斯跟踪范式326
18.4 累计状态密度（ASD）的概念328
18.4.1 ASD的通用表达328
18.4.2 MHT/IMM 滤波中的ASD331
18.5 ASD和失序测量334
18.5.1 修正的卡尔曼更新步骤336
18.5.2 计算成本336
18.5.3 仿真例子的讨论337
18.6 ASD和数据扩增方法339
18.6.1 期望和最大化步骤340
18.6.2 ASD和Q函数342
18.7 分布ASD融合343
18.7.1 DASD滤波器应用346
18.7.2 滑动窗口机制347
18.7.3 数值评估348
附录349
18A.1 同变量高斯的乘积公式349
18A.2 线性条件高斯的乘积公式350
18A.3 块矩阵的逆350
18A.4 高斯ASD：证明的细节350
参考文献353
第19章 基于信任函数的多传感器多目标分类解决方案355
19.1 概述357
19.2 信任函数理论基础357
19.2.1 知识表示358
19.2.2 知识组合358
19.2.3 决策359
19.2.4 广义贝叶斯理论359
19.3 局部跟踪方法359
19.3.1 目标模型的演变359
19.3.2 局部跟踪算法360
19.4 局部分类360
19.4.1 行为似然计算360
19.4.2 贝叶斯分类器361
19.4.3 Credal 分类器361
19.5 全局分类362
19.5.1 航迹与航迹关联362
19.5.2 局部分类融合364
19.6 海上目标仿真实例364
19.6.1 描述364
19.6.2 仿真和结果366
19.6.3 分配仿真366
19.6.4 局部分类结果367
19.6.5 全局分类结果370
19.7 结论371
参考文献372
第20章 认知无线传感器网络中的决策融合375
20.1 介绍377
20.2 系统模型378
20.3 单节点场景380
20.4 网络场景382
20.4.1 无通信噪声且未编码的场景382
20.4.2 具有通信噪声的编码场景385
20.5 数值结果386
20.5.1 未编码场景387
20.5.2 编码场景388
20.6 结论389
参考文献389
第21章 代理意见间形成一致性的动态391
21.1 引言393
21.2 初步基础394
21.2.1 图论概念395
21.2.2 DS框架395
21.2.3 仿缩算子397
21.3 代理意见及其交互398
21.3.1 代理状态更新399
21.3.2 意见和信任修订建模401
21.3.3 代理交互建模403
21.4 一致性形成的动态404
21.4.1 一致性概念404
21.4.2 一致性仿缩算子405
21.4.3 达成一致性406
21.5 结论410
参考文献410
第22章 非高斯不确定性网络中分布式贝叶斯融合413
22.1 引言415
22.2 最优贝叶斯分布式数据融合416
22.2.1 本地数据融合416
22.2.2 本地和远程数据融合417
22.2.3 贝叶斯分布式数据融合417
22.3 非高斯分布近似分布式数据融合418
22.3.1 应用1：分布式地形定位418
22.4 传统分布式数据融合423
22.4.1 传统分布式数据融合算法的描述423
22.4.2 传统分布式数据融合规则424
22.4.3 加权函数的最优化424
22.5 传统非高斯分布分布式数据融合425
22.5.1 应用2：AD HOC网络中的目标搜索425
22.5.2 WEP融合分布的高斯混合近似429
22.6 结论和研究方向433
22.6.1 随机有限集模型的分布式融合434
22.6.2 因数分解概率信心模型的分布式融合434
22.6.3 贝叶斯非参数模型分布式融合435
参考文献435
第23章 网络物理系统的进攻——复原传感器融合439
23.1 引言441
23.2 基本概念442
23.2.1 传感器模型442
23.2.2 融合算法443
23.3 调度量测传输444
23.4 使用系统力学和量测历史447
23.4.1 扩展传感器融合算法448
23.4.2 系统动态性介绍448
23.5 结论453
参考文献453
第24章 基于证据理论的多传感器数据融合水质量评估455
24.1 引言457
24.2 基于DS证据理论的水质量评估458
24.2.1 DS证据理论458
24.2.2 水质量评估459
24.3 实验和结论462
24.4 结论465
参考文献465
第25章 再生式生命保障系统颗粒传感器融合方法467
25.1 引言469
25.1.1 再生式生命保障系统的背景469
25.1.2 再生式生命保障系统面临的挑战470
25.1.3 再生式生命保障系统的传感器融合471
25.2 自动化系统的颗粒化方法472
25.2.1 基于模糊关联存储代理框架472
25.2.2 栖息地模型的应用474
25.2.3 粒状方法的结果475
25.3 面向情境的人类自动化系统方法478
25.3.1 颗粒多传感器数据融合方法478
25.3.2 关于水生环境模型的数值例子483
25.4 结论和未来的发展方向484
参考文献485
第26章 图像融合性能评估：从指标到认知489
26.1 引言491
26.2 图像融合性能评估492
26.2.1 图像融合：作用与过程492
26.2.2 客观融合指标494
26.2.3 主观评估503
26.2.4 自然图像解译度分级标准505
26.2.5 融合性能评估数据的统计分析508
26.3 夜间融合图像评估511
26.3.1 客观评估实验511
26.3.2 客观与主观评估结果的统计分析实验516
26.4 结论521
参考文献522
第27章 医学图像的特征与数据融合综述525
27.1 引言527
27.2 特征级医学图像融合方法527
27.2.1 数学形态学算子与滤波器528
27.2.2 基于小波的特征融合528
27.2.3 基于小波混合特征融合529
27.2.4 成分分析技术529
27.2.5 基于变换的方法529
27.3 医学成像中的数据融合方法530
27.3.1 数据融合方法的背景知识530
27.3.2 人工神经网络在数据融合中的应用530
27.3.3 基于混合人工神经网络的数据融合530
27.3.4 模糊逻辑数据融合530
27.3.5 基于混合模糊逻辑的数据融合531
27.3.6 基于SVM分类器的方法531
27.3.7 基于混合SVM分类器的方法531
27.4 讨论和结论531
参考文献532
第28章 多传感器数据融合结构设计以及在体育运动评估中的应用549
28.1 简介551
28.1.1 体育运动评估中的融合551
28.1.2 架构551
28.1.3 融合策略551
28.2 传感器数据表示552
28.2.1 体育运动测量传感器552
28.2.2 特征提取553
28.2.3 特征选取554
28.3 数据融合算法554
28.3.1 候选特征介绍554
28.3.2 例子：SVM555
28.3.3 融合策略的比较557
28.4 结论558
参考文献558
第29章 从理论到飞行测试：弹头姿态估计中的数据融合563
29.1 弹头轨迹及特征565
29.1.1 姿态估计发展概况565
29.1.2 为什么不能使用经典惯性测量装置565
29.2 姿态估计中的数据融合566
29.2.1 概念566
29.2.2 嵌入式传感器566
29.3 弹头行为建模567
29.3.1 理论和公式567
29.3.2 用于实时估计的模型仿真568
29.4 估计仿真结果569
29.4.1 仿真方法描述570
29.4.2 仿真结果570
29.5 场内实验572
29.5.1 实验描述572
29.5.2 场内实验结果573
29.6 飞行实验574
29.6.1 飞行过程中转动角实时估计574
29.6.2 姿态角实时估计576
29.7 结论578
参考文献578
第30章 数据融合在远程健康与自动诊断中的应用579
30.1 引言581
30.2 家居智能（HIS）：从室内传感器到行为分析581
30.2.1 引言和最新进展581
30.2.2 情景感知智能家居的挑战583
30.2.3 HIS平台584
30.3 智能手机数据分析和解释587
30.3.1 最新进展587
30.3.2 智能手机设置和角度数据计算588
30.3.3 一个用于个人平衡能力评估、监测和训练的完整系统589
30.4 结论591
致谢591
参考文献592
第31章 汽车系统传感器数据融合597
31.1 介绍599
31.2 汽车传感器600
31.3 传感器数据融合604
31.4 结论611
参考文献612
第32章 智能交通运输工程中的数据融合近期发展与挑战613
32.1 引言615
32.2 传感器和数据融合的历史发展615
32.3 传感器与数据融合是智能运输系统工程的有机组成618
32.4 适合于智能运输系统的传感器和数据融合体系结构619
32.4.1 传感器级融合620
32.4.2 中心级融合620
32.4.3 混合式融合622
32.4.4 像素级融合623
32.4.5 特征级融合623
32.4.6 决策级融合623
32.5 其他融合模型与体系结构623
32.5.1 元体系结构624
32.5.2 算法体系结构624
32.5.3 概念体系结构624
32.5.4 逻辑体系结构624
32.5.5 运行结构625
32.5.6 基于传感器计算描述的融合625
32.6 智能交通运输系统中数据融合的机遇与挑战625
32.6.1 智能交通运输系统应用的数据融合算法627
32.6.2 人工神经网络628
32.6.3 模糊逻辑628
32.6.4 基于知识的专家系统628
32.6.5 卡尔曼滤波与非线性运动仿真技术629
32.7 智能运输系统数据融合的应用策略与实例630
32.7.1 高级运输管理系统630
32.7.2 自动事件检测631
32.7.3 网络控制632
32.7.4 高级旅客信息系统632
32.7.5 高级驾驶助手634
32.7.6 事故分析与预防635
32.7.7 交通需求预测635
32.7.8 交通预测和交通监控636
32.7.9 精确位置估计636
32.8 数据融合算法选择638
32.9 数据融合问题研究的新需求642
32.9.1 融合系统输入数据质量的可靠性和可信性642
32.9.2 基于性能度量评估融合系统性能642
32.9.3 真值643
32.9.4 商业操作系统与数据库管理系统的适用性643
32.9.5 基于最坏场景的设计643
32.10 结论和展望643
参考文献644
第33章 多传感器数据融合在交通拥堵分析中的应用651
33.1 引言和背景653
33.2 模型方法655
33.2.1 模型公式655
33.2.2 交通流模型657
33.3 卡尔曼滤波估计659
33.4 路段研究和数据收集661
33.4.1 路段研究661
33.4.2 数据收集661
33.5 估计方法的实现和评估663
33.6 结论664
参考文献665
第34章 一致性分布式扩展卡尔曼滤波器的大规模高速公路网状态估计669
34.1 引言671
34.2 LWR交通流模型的Godunov方案672
34.3 用于状态和输入同时估计的EKF673
34.4 一致性分布式EKF滤波675
34.5 实验研究676
34.6 结论679
致谢680
参考文献680
