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 信息融合的级别
　　1.2.3 通用处理结构
　　1.3 多源信息融合主要技术和方法
　　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 PC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Ka1man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 基于随机抽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 MonteCarlo仿真的随机抽样
　　2.5.3 Markov Chain Monte Carlo抽样
　　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
　　3.2.6 广义粗集
　　3.3 证据理论基础
　　3.3.1 概述
　　3.3.2 mass函数、信度函数与似真度函数
　　3.3.3 Dempster-Shafer合成公式
　　3.3.4 证据推理
　　3.3.5 证据理论中的不确定度指标
　　3.3.6 证据理论存在的主要问题与发展
　　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
　　3.4.4 随机集与模糊集的转换
　　3.5 随机有限集概略
　　3.5.1 概述
　　3.5.2 随机有限集的概念
　　3.5.3 随机有限集的统计
　　3.5.4 随机有限集的Bayes滤波
　　3.6 统计学习理论与支持向量机基础
　　3.6.1 统计学习理论的一般概念
　　3.6.2 学习机的VC维与风险界
　　3.6.3 线性支持向量机
　　3.6.4 非线性支持向量机
　　3.6.5 用于孤立点发现的One-class SVM算法
　　3.6.6 最小二乘支持向量机
　　3.6.7 模糊支持向量机
　　3.6.8 小波支持向量机
　　3.6.9 核主成分分析
　　3.7.Bayes网络基础
　　3.7.1 Bayes网络的一般概念
　　3.7.2 独立性假设
　　3.7.3 一致性概率
　　3.7.4 ：Bayes网络推断
　　3.8 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 目标运动模型
　　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 基于随机有限集的多目标跟踪概述
　　4.9.1 RFS目标运动和量测模型
　　4.9.2 概率假设密度（PHD）滤波器
　　4.9.3 基数概率假设密度（CPHD）滤波器
　　4.9.4 Gaussian-Mixture PHD（GM-PHD）滤波器
　　4.1 0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
　　……
　　第6章 估计融合
　　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
　　参考文献

　　《多源信息融合（第2版）》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。
　　本专著的特点是理论体系完整，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，也可作为大学本科高年级学生、研究生特别是博士研究生的参考读物。