多传感器数据融合PDF|Epub|txt|kindle电子书版本网盘下载

多传感器数据融合PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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

2.5.8JDL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

7.3FIF算法130

7.3.1背景与范围130

7.3.2FIF结构131

7.4示例应用134

7.4.1IPSIS——避险安全着陆134

7.4.2ILUV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

10.5.3RSVP-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

15.3MS-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

18.4.1ASD的通用表达328

18.4.2MHT/IMM滤波中的ASD331

18.5ASD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

18.6ASD和数据扩增方法339

18.6.1期望和最大化步骤340

18.6.2ASD和Q函数342

18.7分布ASD融合343

18.7.1DASD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

19.4.3Credal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

21.2.2DS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

22.5.2WEP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

24.2.1DS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

30.2.3HIS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

34.2LWR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