多源信息融合

　　第1章  绪论
　　1.1  多源信息融合的一般概念与定义
　　1.1.1  定义
　　1.1.2  多源信息融合的优势
　　1.1.3  应用领域
　　1.2  信息融合系统的模型和结构
　　1.2.1  功能模型
　　1.2.2  数据融合的级别
　　1.2.3  通用处理结构
　　1.3  多源信息融合的主要技术和方法
　　1.4  信息融合要解决的几个关键问题
　　1.5  发展起源、现状与未来
　　参考文献
　　第2章  统计推断与估计理论基础
　　2.1  点估计理论基础
　　2.1.1  一般概念
　　2.1.2  Bayes点估计理论
　　2.1.3  BLUE估计
　　2.1.4  WLS估计
　　2.1.5  ML估计
　　2.1.6  主成分估计
　　2.1.7  RLS估计与LMS估计
　　2.2  期望极大化（EM）方法
　　2.2.1  概述
　　2.2.2  EM算法描述
　　2.2.3  混合Gauss参数估计的EM算法实例
　　2.3  线性动态系统的滤波理论与算法
　　2.3.1  离散时间线性系统状态估计问题的一般描述
　　2.3.2  基本Kalman滤波器
　　2.3.3  信息滤波器
　　2.3.4  噪声相关的Kalman滤波器
　　2.4  非线性动态系统的滤波理论与算法
　　2.4.1  扩展Kalman滤波器（EKF）
　　2.4.2  UKF滤波
　　2.4.3  Bayes滤波
　　2.5  基于随机采样的过程估计理论与算法
　　2.5.1  传统Bayes估计面临的挑战与解决的新思路
　　2.5.2  Monte Carlo仿真的随机采样
　　2.5.3  Markov chain Monte Carlo采样
　　2.5.4  粒子滤波的一般方法
　　2.6  混合系统状态估计理论
　　2.6.1  一般描述
　　2.6.2  多模型方法简述
　　2.6.3  定结构多模型估计
　　2.6.4  交互式多模型算法
　　2.6.5  变结构多模型（VSMM）算法概述
　　2.7  小结
　　参考文献
　　第3章  智能计算与识别理论基础
　　3.1  概述
　　3.1.1  模式识别的一般概念
　　3.1.2  智能学习与统计模式识别
　　3.2  粗糙集理论基础
　　3.2.1  信息系统的一般概念
　　3.2.2  决策系统的不可分辨性
　　3.2.3  集合近似
　　3.2.4  属性约简
　　3.2.5  粗糙隶属度
　　3.3  证据理论基础
　　3.3.1  概述
　　3.3.2  mass函数、信任测度与似然测度
　　3.3.3  DempsterShafer合成公式
　　3.3.4  证据推理
　　3.4  随机集理论基础
　　3.4.1  一般概念
　　3.4.2  概率模型
　　3.4.3  随机集的mass函数模型
　　3.5  统计学习理论与支持向量机基础
　　3.5.1  统计学习理论的一般概念
　　3.5.2  学习机的VC维与风险界
　　3.5.3  线性支持向量机
　　3.5.4  非线性支持向量机
　　3.5.5  用于孤立点发现的Oneclass SVM算法
　　3.5.6  最小二乘支持向量机
　　3.5.7  模糊支持向量机
　　3.5.8  小波支持向量机
　　3.5.9  核主成分分析
　　3.6  Bayes网络基础
　　3.6.1  Bayes网络的一般概念
　　3.6.2  独立性假设
　　3.6.3  一致性概率
　　3.6.4  Bayes网络推断
　　3.7  小结
　　参考文献
　　第4章  目标跟踪
　　4.1  基本概念与原理
　　4.2  跟踪门
　　4.2.1  滤波残差
　　4.2.2  矩形跟踪门
　　4.2.3  椭球跟踪门
　　4.2.4  其他跟踪门
　　4.3  目标动态模型
　　4.3.1  机动目标跟踪的数学模型
　　4.3.2  非机动目标动态模型
　　4.3.3  坐标不耦合的目标机动模型
　　4.3.4  二维水平运动模型
　　4.3.5  三维模型
　　4.4  量测模型
　　4.4.1  传感器坐标模型
　　4.4.2  在各种坐标系中的跟踪
　　4.4.3  混合坐标系的线性化模型
　　4.4.4  笛卡儿坐标系下的模型
　　4.5  雷达量测转换
　　4.5.1  二维去偏量测转换
　　4.5.2  三维去偏量测转换
　　4.5.3  无偏量测转换
　　4.5.4  修正的无偏量测转换
　　4.6  基于雷达量测和BLUE准则的目标跟踪
　　4.6.1  基于BLUE准则的二维量测转换
　　4.6.2  基于BLUE准则的三维量测转换
　　4.7  带Doppler量测的雷达目标跟踪
　　4.7.1  极坐标系中带Doppler量测的雷达目标跟踪
　　4.7.2  球坐标系中带Doppler量测的雷达目标跟踪
　　4.8  时间与空间配准
　　4.8.1  问题描述
　　4.8.2  时间配准算法
　　4.8.3  常用坐标系
　　4.8.4  坐标转换
　　4.8.5  空间配准算法概述
　　4.8.6  二维空间配准算法
　　4.8.7  精确极大似然空间配准算法
　　4.8.8  基于地心坐标系的空间配准算法
　　4.9  小结
　　参考文献
　　第5章  检测融合
　　5.1  概论
　　5.2  并行结构融合系统的最优分布式检测融合算法
　　5.2.1  系统描述
　　5.2.2  最优分布式检测的必要条件
　　5.2.3  传感器观测独立条件下的最优分布式检测
　　5.2.4  实例计算
　　5.3  串行结构融合系统的最优分布式检测融合算法
　　5.3.1  系统描述
　　5.3.2  传感器观测独立条件下最优分布式检测的必要条件
　　5.3.3  传感器观测独立条件下的最优分布式检测
　　5.3.4  实例计算
　　5.4  树形结构融合系统的最优分布式检测融合算法
　　5.4.1  系统描述
　　5.4.2  结点观测独立条件下最优分布式检测的必要条件
　　5.4.3  结点观测独立条件下的最优分布式检测
　　5.4.4  实例计算
　　5.5  分布式量化检测系统
　　5.5.1  系统描述
　　5.5.2  最优分布式量化检测的必要条件
　　5.5.3  传感器观测独立条件下的最优分布式量化检测
　　5.5.4  实例计算
　　5.6  分布式NP检测融合系统
　　5.6.1  最优分布式量化检测的必要条件
　　5.6.2  传感器观测独立条件下的最优分布式检测
　　5.6.3  传感器观测相关条件下的次优分布式检测
　　5.6.4  分布式硬决策NP检测融合系统
　　5.6.5  实例计算
　　5.7  小结
　　参考文献
　　第6章  估计融合
　　6.1  估计融合系统结构
　　6.2  集中式融合系统
　　6.2.1  并行滤波
　　6.2.2  序贯滤波
　　6.2.3  数据压缩滤波
　　6.3  分布式融合系统
　　6.3.1  分布式融合结构
　　6.3.2  航迹融合中各传感器局部估计误差相关的原因
　　6.3.3  简单凸组合融合算法
　　6.3.4  Bar ShalomCampo融合算法
　　6.3.5  不带反馈的最优分布式估计融合
　　6.3.6  带反馈的最优分布式估计融合
　　6.3.7  最大后验概率状态估计融合
　　6.3.8  最优的集中式估计的重构
　　6.4  协方差交叉法
　　6.4.1  问题描述
　　6.4.2  相关程度已知的相关估计量最优融合
　　6.4.3  相关程度未知的相关估计量最优融合
　　6.5  联邦滤波器
　　6.5.1  问题描述
　　6.5.2  方差上界技术
　　6.5.3  联邦滤波器的一般结构
　　6.5.4  联邦滤波器的工作流程
　　6.5.5  联邦滤波器的最优性证明
　　6.5.6  联邦滤波器的四种结构
　　6.5.7  联邦滤波器四种结构的比较
　　6.5.8  联邦滤波器的特点
　　6.5.9  联邦滤波器的两种简化形式
　　6.6  最优线性估计融合与统一融合规则
　　6.6.1  问题描述
　　6.6.2  统一线性数据模型
　　6.6.3  对于线性数据模型的统一最优融合规则
　　6.6.4  一般的最优的线性融合规则
　　6.7  小结
　　参考文献
　　第7章  数据关联
　　第8章  异步融合
　　第9章  图像融合
　　第10章  异类融合
　　第11章  智能交通与信息融合
　　第12章  态势评估和威胁估计

　　本书主要包括多源信息融合的基本概念以及多源信息融合理论赖以发展的基础理论，如统计推断与估计理论基础、智能计算与识别理论基础等； 还包括目标跟踪理论、检测融合、估计融合、数据关联、异步信息融合和异类信息融合； 也包括图像融合特别是遥感图像融合、智能交通中的信息融合，以及态势评估与威胁估计等内容。本书理论体系完整，材料取舍适当，适合从事多源信息融合理论研究和工程应用的专业技术人员参考，也可以作为相关专业大学本科高年级学生和研究生，特别是博士研究生的参考读物。