第1章 緒論
1.1 多源信息融合的一般概念
1.1.1 多源信息融合的提出及定義
1.1.2 多源信息融合的優(yōu)勢(shì)
1.2 多源信息融合的功能模型
1.2.1 經(jīng)典的功能模型
1.2.2 其他功能模型
1.3 多源信息融合的系統(tǒng)結(jié)構(gòu)
1.3.1 集中式結(jié)構(gòu)
1.3.2 分布式結(jié)構(gòu)
1.3.3 混合式結(jié)構(gòu)
1.4 多源信息融合中的數(shù)學(xué)方法
1.4.1 估計(jì)理論方法
1.4.2 不確定性推理方法
1.4.3 智能計(jì)算與模式識(shí)別理論
1.5 多源信息融合的發(fā)展過程及研究現(xiàn)狀
1.6 多源信息融合的應(yīng)用
1.6.1 民事上的應(yīng)用
1.6.2 軍事上的應(yīng)用
習(xí)題
參考文獻(xiàn)

第2章 估計(jì)理論
2.1 估計(jì)準(zhǔn)則
2.1.1 最小二乘估計(jì)和加權(quán)最小二乘估計(jì)
2.1.2 最小方差估計(jì)和線性最小方差估計(jì)
2.1.3 極大似然估計(jì)和極大后驗(yàn)估計(jì)
2.2 最優(yōu)貝葉斯濾波
2.3 線性動(dòng)態(tài)系統(tǒng)狀態(tài)濾波
2.3.1 卡爾曼濾波器
2.3.2 信息濾波器
2.4 非線性動(dòng)態(tài)系統(tǒng)狀態(tài)濾波
2.4.1 擴(kuò)展卡爾曼濾波器
2.4.2 強(qiáng)跟蹤濾波器
2.4.3 ut變換和ukf
2.4.4 差分濾波器
2.4.5 粒子濾波器
2.5 混合系統(tǒng)多模型估計(jì)
2.5.1 一般描述
2.5.2 多模型估計(jì)實(shí)現(xiàn)
2.5.3 定結(jié)構(gòu)多模型估計(jì)
2.5.4 交互式多模型算法
2.5.5 變結(jié)構(gòu)多模型算法
2.6 期望最大化方法
2.6.1 概述
2.6.2 em算法描述
2.6.3 混合高斯參數(shù)估計(jì)的em算法實(shí)例
習(xí)題
參考文獻(xiàn)

第3章 不確定性推理理論
3.1 主觀貝葉斯方法
3.1.1 貝葉斯條件概率公式
3.1.2 貝葉斯方法在信息融合中的應(yīng)用
3.1.3 主觀貝葉斯方法的優(yōu)缺點(diǎn)
3.2 d-s證據(jù)推理
3.2.1 證據(jù)理論的基本概念
3.2.2 證據(jù)理論的組合規(guī)則
3.2.3 基于證據(jù)理論的決策
3.2.4 證據(jù)理論的優(yōu)缺點(diǎn)
3.3 不確定性推理方法之三——dsmt
3.3.1 dsmt的基本概念
3.3.2 dsmt的組合規(guī)則
3.3.3 dsmt的優(yōu)缺點(diǎn)
3.4 主觀貝葉斯方法、d-s證據(jù)理論和 dsmt的比較
3.5 模糊集合理論
3.5.1 模糊集合與隸屬度
3.5.2 模糊聚類
3.6 模糊邏輯
3.7 模糊推理
3.8 模糊積分
3.9 可能性理論
習(xí)題
參考文獻(xiàn)

第4章 信息融合其他數(shù)學(xué)基礎(chǔ)
4.1 粗糙集理論
4.1.1 基本概念
4.1.2 粗糙集理論在信息融合中的應(yīng)用
4.2 隨機(jī)集理論
4.2.1 一般概念
4.2.2 概率模型
4.2.3 隨機(jī)集的mass函數(shù)模型
4.3 灰色系統(tǒng)理論
4.3.1 灰色系統(tǒng)理論的兩條基本原理
4.3.2 數(shù)據(jù)變換技術(shù)
4.4 支持向量機(jī)理論
4.4.1 最優(yōu)分類超平面
4.4.2 線性可分的最優(yōu)分類面
4.4.3 線性不可分的最優(yōu)分類面
4.4.4 非線性支持向量機(jī)
4.5 信息熵理論
4.5.1 有關(guān)熵的概念
4.5.2 觀測(cè)系統(tǒng)的信息融合問題
4.5.3 觀測(cè)決策融合系統(tǒng)的信息融合問題
4.5.4 融合系統(tǒng)的熵的結(jié)構(gòu)關(guān)系
4.6 神經(jīng)網(wǎng)絡(luò)
4.6.1 人工神經(jīng)元模型
4.6.2 神經(jīng)網(wǎng)絡(luò)的激活函數(shù)
4.6.3 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
4.6.4 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法
4.7 遺傳算法
4.7.1 遺傳算法的基本流程
4.7.2 編碼方法
4.7.3 適應(yīng)度函數(shù)
4.7.4 選擇算子
4.7.5 交叉算子
4.7.6 變異算子
4.8 貝葉斯網(wǎng)絡(luò)基礎(chǔ)
4.8.1 貝葉斯網(wǎng)絡(luò)的一般概念
4.8.2 獨(dú)立性假設(shè)
4.8.3 一致性概率
4.8.4 貝葉斯網(wǎng)絡(luò)推斷
習(xí)題
參考文獻(xiàn)

第5章 檢測(cè)融合
5.1 引言
5.2 假設(shè)檢驗(yàn)
5.2.1 假設(shè)檢驗(yàn)問題描述
5.2.2 似然比判決準(zhǔn)則
5.3 檢測(cè)融合結(jié)構(gòu)模型
5.3.1 集中式融合檢測(cè)結(jié)構(gòu)
5.3.2 分布式融合檢測(cè)結(jié)構(gòu)
5.4 基于并行結(jié)構(gòu)的分布式檢測(cè)融合
5.4.1 并行分布式融合檢測(cè)系統(tǒng)結(jié)構(gòu)
5.4.2 并行分布式最優(yōu)檢測(cè)
5.5 基于串行結(jié)構(gòu)的分布式檢測(cè)融合
5.5.1 串行分布式融合檢測(cè)系統(tǒng)結(jié)構(gòu)
5.5.2 串行分布式最優(yōu)檢測(cè)
5.6 樹狀分布式檢測(cè)融合
5.6.1 樹狀分布式融合檢測(cè)系統(tǒng)結(jié)構(gòu)
5.6.2 樹狀分布式最優(yōu)檢測(cè)
5.7 反饋網(wǎng)絡(luò)中的分布式檢測(cè)融合
5.7.1 反饋并聯(lián)網(wǎng)絡(luò)的融合與局部判決規(guī)則
5.7.2 系統(tǒng)的性能描述
5.7.3 并聯(lián)反饋網(wǎng)絡(luò)應(yīng)用舉例
5.8 分布式恒虛警概率檢測(cè)
5.8.1 cfar檢測(cè)
5.8.2 分布式cfar檢測(cè)
習(xí)題
參考文獻(xiàn)

第6章 估計(jì)融合
6.1 估計(jì)融合系統(tǒng)結(jié)構(gòu)
6.2 多傳感器系統(tǒng)數(shù)學(xué)模型
6.2.1 線性系統(tǒng)
6.2.2 非線性系統(tǒng)
6.3 集中式融合系統(tǒng)
6.3.1 并行濾波
6.3.2 序貫濾波
6.4 分布式估計(jì)融合
6.4.1 不帶反饋信息的分布式估計(jì)融合
6.4.2 帶反饋信息的分布式融合
6.4.3 全信息估計(jì)融合
6.5 基于協(xié)方差交集的分布式數(shù)據(jù)融合
6.5.1 問題描述
6.5.2 相關(guān)程度已知的相關(guān)估計(jì)量最優(yōu)融合
6.5.3 相關(guān)程度未知的相關(guān)估計(jì)量最優(yōu)融合
6.6 混合式估計(jì)融合
6.6.1 順序估計(jì)
6.6.2 加權(quán)估計(jì)
6.7 多級(jí)式估計(jì)融合
6.7.1 不帶反饋信息的多級(jí)式估計(jì)融合
6.7.2 帶反饋信息的多級(jí)式估計(jì)融合
6.8 聯(lián)邦濾波器
6.8.1 問題描述
6.8.2 方差上界技術(shù)
6.8.3 聯(lián)邦濾波器的一般結(jié)構(gòu)
6.8.4 聯(lián)邦濾波器的工作流程
6.8.5 聯(lián)邦濾波器的最優(yōu)性證明
6.9 異步估計(jì)融合
6.9.1 系統(tǒng)方程描述
6.9.2 集中式異步估計(jì)融合
6.9.3 分布式異步估計(jì)融合
習(xí)題
參考文獻(xiàn)

第7章 識(shí)別融合
7.1 目標(biāo)識(shí)別融合概述
7.2 基于模糊集合理論的目標(biāo)識(shí)別融合技術(shù)
7.2.1 基于模糊貼近和不確定理論的識(shí)別方法
7.2.2 基于可能性理論的識(shí)別模型
7.2.3 基于多屬性模糊加權(quán)方法的目標(biāo)識(shí)別
7.2.4 基于模糊綜合函數(shù)的目標(biāo)識(shí)別
7.3 基于粗糙集理論的目標(biāo)識(shí)別融合理論
7.3.1 關(guān)系數(shù)據(jù)模型
7.3.2 建立知識(shí)系統(tǒng)
7.3.3 基于粗糙集理論的權(quán)值確定方法
7.3.4 基于決策表的分類規(guī)則
7.4 基于d-s證據(jù)理論的目標(biāo)識(shí)別融合技術(shù)
7.4.1 互不相容數(shù)據(jù)結(jié)構(gòu)的遞歸目標(biāo)識(shí)別融合
7.4.2 相容數(shù)據(jù)結(jié)構(gòu)的遞歸目標(biāo)識(shí)別空間融合
7.5 基于灰色系統(tǒng)理論的目標(biāo)識(shí)別融合技術(shù)
7.5.1 灰關(guān)聯(lián)分析識(shí)別融合算法［12］
7.5.2 基于d-s推理的灰關(guān)聯(lián)分析融合方法
7.6 基于極大后驗(yàn)概率理論的目標(biāo)識(shí)別融合技術(shù)
7.7 基于 dsmt理論的目標(biāo)識(shí)別融合技術(shù)
7.7.1 dsmt的融合過程
7.7.2 遞歸目標(biāo)識(shí)別融合
7.8 基于屬性測(cè)度理論的目標(biāo)識(shí)別融合技術(shù)
7.8.1 屬性測(cè)度基本理論
7.8.2 已知指標(biāo)分類標(biāo)準(zhǔn)的屬性模式識(shí)別模型
7.8.3 非有序分割類的屬性測(cè)度模型
7.8.4 屬性測(cè)度與d-s證據(jù)理論相結(jié)合的融合識(shí)別方法
習(xí)題
參考文獻(xiàn)

第8章 圖像融合
8.1 圖像融合概述
8.1.1 圖像融合的概念
8.1.2 圖像融合的發(fā)展
8.1.3 圖像融合的應(yīng)用
8.2 圖像融合的分類
8.2.1 像素級(jí)圖像融合
8.2.2 特征級(jí)圖像融合
8.2.3 決策級(jí)圖像融合
8.3 圖像配準(zhǔn)
8.3.1 配準(zhǔn)的基本概念
8.3.2 配準(zhǔn)需要解決的問題
8.3.3 配準(zhǔn)算法
8.3.4 變換模型及配準(zhǔn)參數(shù)估計(jì)方法
8.3.5 圖像的重采樣和變換
8.4 圖像融合算法
8.4.1 基于貝葉斯方法的圖像融合
8.4.2 基于統(tǒng)計(jì)量測(cè)優(yōu)化的圖像融合
8.4.3 基于ica的圖像融合
8.4.4 基于小波變換的圖像融合
8.5 圖像融合的應(yīng)用
8.5.1 遙感圖像融合
8.5.2 生物識(shí)別技術(shù)
習(xí)題
參考文獻(xiàn)

第9章 時(shí)間與空間對(duì)準(zhǔn)
9.1 問題描述
9.2 時(shí)間對(duì)準(zhǔn)
9.2.1 時(shí)間同步技術(shù)
9.2.2 時(shí)間配準(zhǔn)技術(shù)
9.3 坐標(biāo)變換
9.3.1 常用坐標(biāo)系
9.3.2 坐標(biāo)系的選擇
9.3.3 坐標(biāo)轉(zhuǎn)換
9.4 空間配準(zhǔn)算法
9.5 量綱對(duì)準(zhǔn)
習(xí)題
參考文獻(xiàn)

第10章 目標(biāo)跟蹤
10.1 目標(biāo)跟蹤的基本概念和原理
10.1.1 跟蹤門的形成與選擇
10.1.2 數(shù)據(jù)關(guān)聯(lián)與跟蹤維持
10.1.3 航跡起始與終止
10.1.4 漏報(bào)與虛警
10.2 跟蹤門
10.2.1 環(huán)形跟蹤門
10.2.2 橢圓（球）形跟蹤門
10.2.3 矩形跟蹤門
10.2.4 扇形跟蹤門
10.3 航跡起始
10.3.1 航跡起始算法
10.3.2 航跡起始中的有關(guān)問題討論
10.4 目標(biāo)跟蹤模型
10.4.1 運(yùn)動(dòng)模型
10.4.2 量測(cè)模型
10.5 目標(biāo)跟蹤算法
10.5.1 基于隨機(jī)有限集的多目標(biāo)跟蹤
10.5.2 基于imm的機(jī)動(dòng)多目標(biāo)跟蹤
10.5.3 基于期望極大化算法的機(jī)動(dòng)目標(biāo)跟蹤
10.5.4 基于模糊推理的目標(biāo)跟蹤技術(shù)
10.6 航跡終止與航跡管理
10.6.1 多目標(biāo)跟蹤終結(jié)理論
10.6.2 航跡管理
10.6.3 小結(jié)
習(xí)題
參考文獻(xiàn)

第11章 數(shù)據(jù)關(guān)聯(lián)
11.1 單目標(biāo)量測(cè)——航跡關(guān)聯(lián)算法
11.1.1 最近鄰方法
11.1.2 概率數(shù)據(jù)關(guān)聯(lián)
11.1.3 交互式多模型概率數(shù)據(jù)關(guān)聯(lián)
11.1.4 c-immpda算法
11.1.5 綜合擴(kuò)展概率數(shù)據(jù)關(guān)聯(lián)算法
11.2 多目標(biāo)量測(cè)-航跡關(guān)聯(lián)算法
11.2.1 聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)
11.2.2 多假設(shè)法
11.2.3 概率多假設(shè)法
11.2.4 多維分配數(shù)據(jù)關(guān)聯(lián)算法
11.2.5 全局最近鄰數(shù)據(jù)關(guān)聯(lián)算法
11.2.6 單傳感器廣義概率數(shù)據(jù)關(guān)聯(lián)算法
11.2.7 多傳感器廣義概率數(shù)據(jù)關(guān)聯(lián)算法
11.2.8 vda算法
11.3 分布式航跡關(guān)聯(lián)
11.3.1 基于統(tǒng)計(jì)的分布式航跡關(guān)聯(lián)
11.3.2 基于模糊推理與灰色理論的航跡關(guān)聯(lián)
習(xí)題
參考文獻(xiàn)

第12章 組合導(dǎo)航與信息融合
12.1 導(dǎo)航系統(tǒng)概述
12.1.1 慣性導(dǎo)航系統(tǒng)
12.1.2 全球衛(wèi)星導(dǎo)航系統(tǒng)
12.1.3 景象匹配導(dǎo)航系統(tǒng)
12.1.4 其他導(dǎo)航系統(tǒng)
12.1.5 組合導(dǎo)航系統(tǒng)
12.2 車載gps/ins/ec組合導(dǎo)航
12.2.1 系統(tǒng)硬件軟件結(jié)構(gòu)
12.2.2 組合導(dǎo)航估計(jì)融合模型
12.2.3 實(shí)驗(yàn)結(jié)果
12.3 亞軌道飛行器gps/ins/cns組合導(dǎo)航
12.3.1 亞軌道飛行器概述
12.3.2 亞軌道飛行器飛行特性分析
12.3.3 黑障問題
12.3.4 導(dǎo)航系統(tǒng)方案設(shè)計(jì)
12.3.5 融合結(jié)構(gòu)設(shè)計(jì)
12.3.6 仿真分析
12.4 無人機(jī)ins/smns組合導(dǎo)航
12.4.1 ins/smns組合模式
12.4.2 緊耦合ins/smns導(dǎo)航特性
12.4.3 實(shí)驗(yàn)結(jié)果與分析
習(xí)題
參考文獻(xiàn)

第13章 態(tài)勢(shì)評(píng)估與威脅估計(jì)
13.1 態(tài)勢(shì)評(píng)估的概念
13.2 態(tài)勢(shì)評(píng)估的實(shí)現(xiàn)
13.2.1 態(tài)勢(shì)預(yù)測(cè)
13.2.2 態(tài)勢(shì)關(guān)聯(lián)
13.2.3 態(tài)勢(shì)評(píng)估
13.3 態(tài)勢(shì)評(píng)估方法
13.3.1 基于模糊聚類的態(tài)勢(shì)評(píng)估方法
13.3.2 基于貝葉斯網(wǎng)絡(luò)的態(tài)勢(shì)評(píng)估
13.3.3 基于馬爾科夫模型的態(tài)勢(shì)評(píng)估
13.3.4 基于聯(lián)合模糊邏輯和貝葉斯網(wǎng)絡(luò)的態(tài)勢(shì)評(píng)估
13.3.5 其他
13.4 威脅估計(jì)概念
13.4.1 威脅估計(jì)的定義
13.4.2 威脅估計(jì)的功能模型
13.4.3 威脅估計(jì)的主要內(nèi)容
13.5 威脅估計(jì)中的知識(shí)庫
13.5.1 系統(tǒng)的領(lǐng)域知識(shí)
13.5.2 系統(tǒng)的知識(shí)表示
13.5.3 系統(tǒng)中的非精確推理
13.5.4 系統(tǒng)知識(shí)庫的建立
13.6 基于層次分析法的威脅估計(jì)
13.6.1 威脅等級(jí)的評(píng)判步驟
13.6.2 影響目標(biāo)威脅等級(jí)的因素及評(píng)判函數(shù)的建立
13.6.3 各個(gè)因子加權(quán)系數(shù)的確定
13.6.4 綜合評(píng)判結(jié)果確定
13.7 基于多因子綜合加權(quán)的威脅估計(jì)
13.7.1 多因子綜合加權(quán)法基本原理
13.7.2 多因子綜合加權(quán)法應(yīng)用
習(xí)題
參考文獻(xiàn)

第14章 信息融合中的性能評(píng)估
14.1 性能評(píng)估指標(biāo)體系
14.1.1 指標(biāo)體系特點(diǎn)及選取原則
14.1.2 指標(biāo)類型
14.1.3 劇情設(shè)定
14.1.4 評(píng)估指標(biāo)
14.2 信息融合性能評(píng)估的方法
14.2.1 信息融合性能評(píng)估的解析法
14.2.2 信息融合性能評(píng)估的monte carlo 方法
14.2.3 信息融合性能評(píng)估的半實(shí)物仿真方法
14.2.4 信息融合性能評(píng)估的試驗(yàn)驗(yàn)證法
14.3 性能評(píng)估舉例
14.3.1 跟蹤系統(tǒng)性能評(píng)估及指標(biāo)體系
14.3.2 圖像融合技術(shù)的性能評(píng)估
14.3.3 面向效能度量（moe）的指標(biāo)體系
14.4 其他性能評(píng)估舉例
14.4.1 基于解析法的雷達(dá)與紅外傳感器航跡關(guān)聯(lián)性能評(píng)估
14.4.2 基于解析法的航跡起始性能評(píng)估
14.4.3 基于monte carlo 仿真的雷達(dá)組網(wǎng)高度估計(jì)性能評(píng)估
習(xí)題
參考文獻(xiàn)

第15章 傳感器管理
15.1 信息融合中的傳感器管理
15.2 傳感器管理概述
15.2.1 傳感器管理概念
15.2.2 傳感器管理的內(nèi)容
15.2.3 常用傳感器及其可管理的參數(shù)和模式
15.3 傳感器管理的系統(tǒng)結(jié)構(gòu)與功能模型
15.3.1 傳感器管理的系統(tǒng)結(jié)構(gòu)
15.3.2 傳感器管理的功能模型
15.4 傳感器管理算法與性能指標(biāo)體系
15.4.1 傳感器管理算法簡(jiǎn)介
15.4.2 傳感器管理性能指標(biāo)體系
15.5 工作環(huán)境受限的機(jī)載多傳感器管理
15.5.1 狀態(tài)變量具有約束條件的傳感器管理最優(yōu)決策模型
15.5.2 一種戰(zhàn)場(chǎng)環(huán)境下的主/被動(dòng)式傳感器管理方案與算法
15.6 基于模糊推理的多因素單平臺(tái)傳感器管理算法
15.6.1 考慮目標(biāo)多因素的傳感器管理
15.6.2 基于模糊推理的傳感器管理
15.6.3 仿真研究
15.7 基于聯(lián)合信息增量的多平臺(tái)傳感器網(wǎng)絡(luò)管理
15.7.1 多傳感器多目標(biāo)跟蹤中的聯(lián)合信息增量
15.7.2 基于聯(lián)合信息增量的集中式網(wǎng)絡(luò)級(jí)傳感器管理算法
15.7.3 仿真研究
習(xí)題
參考文獻(xiàn)