多源數據融合和感測器管理

《多源數據融合和感測器管理》是2015年清華大學出版社出版的圖書，作者是羅俊海、王章靜。本書是關於信息融合理論、套用和感測器管理的一部教材。

基本介紹

• 書名：多源數據融合和感測器都管理
• 作者：羅俊海、王章靜
• ISBN：9787302390183
• 定價：59元
• 出版社：清華大學出版社
• 出版時間：2015.09.01

書籍信息

作者：羅俊海、王章靜
定價：59元
印次：1-1
ISBN：9787302390183
出版日期：2015.09.01
印刷日期：2015.08.28

內容簡介

本書基於編者的研究工作，並借鑑國內外其他學者的成果，力圖較全面、系統地講解信息融合理論、套用、感測器管理以及發展與最新研究成果，特別是在異構、多源、動態、非理想信道、稀疏、錯誤容忍環境下。全書共25章，分為五個部分。第一部分研究現狀，包括多源數據融合概述、信息融合的原理和級別、多源感測器數據融合算法、多感測分布檢測、感測器管理、探討和備註；第二部分數學理論基礎，包括Bayes方法、模糊集理論、粗糙集理論、MonteCarlo理論、DempsterShafer理論、估計理論和濾波器理論；第三部分多源數據融合算法，包括Bayes決策、常態分配時的統計決策、最大最小決策、神經網路、支持向量機和Bayes網路；第四部分多源數據融合套用，包括分散式檢測和融合、目標追蹤的高效管理策略、數據融合的系統校準、目標跟蹤策略算法與數據融合、像素與特徵的圖像融合；第五部分是多感測器管理。本書可作為信息工程、信息融合、模式識別、機器學習、人工智慧、數據分析、軍事決策和電子對抗等專業的本科生和研究生教材，也可供上述相關領域的科技人員閱讀和參考，還可以供雷達、聲吶、雷射、紅外、機器人、導航、交通、醫學、物聯網、泛在網、CPS、遙感、遙測、定位等領域的科技工作者參考學習。

作品目錄

第一部分研究現狀

第1章多源數據融合概述

1.1多感測器數據融合定義

1.2多感測數據融合面臨的問題

習題

第2章信息融合的原理和級別

2.1信息融合的基本原理

2.2信息融合的級別

2.2.1信源

2.2.2信源預處理

2.2.3檢測級融合

2.2.4位置級融合

2.2.5目標識別融合

2.2.6態勢估計

2.2.7威脅估計

2.2.8精細處理

2.2.9資料庫處理

習題

第3章多感測器數據融合算法

3.1有缺陷的數據融合

3.1.1機率融合

3.1.2證據置信度推理

3.1.3融合和模糊推理

3.1.4可能性融合

3.1.5基於粗糙集融合

3.1.6混合融合方法

3.1.7隨機集理論融合

3.2相關數據的融合

3.2.1消除數據關聯性

3.2.2數據融合中存在未知的相關性

3.2.3不一致數據融合

3.2.4虛假數據

3.2.5脫離序列數據

3.2.6衝突數據

3.3融合異質數據

習題

第4章多感測分布檢測

4.1NeymanPearson公式

4.1.1並行拓撲結構

4.1.2串列拓撲結構

4.2Bayes公式

4.2.1並行結構

4.2.2串列拓撲結構

4.2.3更一般的網路拓撲結構

習題

第5章感測器管理

5.1感測器管理的定義

5.2數據融合系統中的感測器管理

5.3感測器管理的內容

5.4感測器管理的結構

習題

第6章數據融合的現狀和趨勢

6.1新興融合模式

6.1.1軟/硬數據融合

6.1.2機會數據融合

6.1.3自適應融合和研究

6.2正在進行的數據融合研究

6.2.1自動融合

6.2.2置信度可靠性

6.2.3安全融合

6.2.4融合評估

習題

第二部分數學理論基礎

第7章Bayes方法

7.1Bayes方法的發展

7.2Bayes定理

7.2.1條件機率

7.2.2機率乘法規則

7.2.3全機率公式

7.2.4Bayes機率

7.3多源數據融合中的Bayes方法

7.4Bayes方法的優缺點

習題

第8章模糊集理論

8.1模糊數學概念

8.1.1經典集合相關定義與基本概念

8.1.2經典集合之間的關係與運算

8.2模糊集集合

8.2.1基本模糊集運算

8.2.2模糊集的基本定理

8.3模糊聚類分析

8.3.1聚類分析的數學模型

8.3.2模糊關係

8.3.3模糊關係的定義

8.4模糊型識別

8.4.1第一類模糊模型識別

8.4.2第二類模糊模型識別

8.5模糊決策

8.5.1模糊意見集中決策

8.5.2模糊二元對比決策

8.6模糊綜合評判決策

8.6.1經典綜合評判決策

8.6.2模糊映射與模糊變換

習題

第9章粗糙集理論

9.1知識與知識系統

9.2粗糙集與不精確範疇

9.3知識約簡與知識依賴

9.4知識表達系統

9.5粗糙集理論在信息融合中的套用

習題

第10章MonteCarlo理論

10.1MonteCarlo基本理論

10.1.1概述

10.1.2MonteCarlo方法

10.2MarkovChainMonteCarlo算法

10.2.1Markov鏈概念

10.2.2Markov過程的分類

10.2.3齊次Markov鏈

10.2.4隱式Markov模型

10.2.5隱式半Markov模型

10.2.6MetropolisHastings算法

10.2.7Gibbs抽樣

習題

第11章DempsterShafer證據理論

11.1DempsterShafer理論基本概念

11.2DempsterShafer組合規則

11.3DempsterShafer組合規則的相關改進

11.4DempsterShafer理論的推廣

11.4.1廣義DempsterShafer理論簡介

11.4.2條件化DempsterShafer理論

11.4.3DempsterShafer理論在模糊集合上的推廣

習題

第12章估計理論

12.1估計理論基礎

12.1.1一般概念

12.1.2Bayes點估計理論

12.1.3加權最小二乘法估計

12.1.4極大似然估計與極大後驗估計

12.1.5主成分估計

12.1.6遞推最小二乘法估計與最小均方估計

12.1.7最佳線性無偏最小方差估計

12.2混合系統多模型估計

12.2.1多模型估計概念

12.2.2定結構多模型估計

12.2.3互動式多模型算法

12.2.4變結構多模型算法

12.3期望最大化方法

12.3.1EM方法描述

12.3.2混合Gauss參數估計的EM算法

習題

第13章濾波器理論

13.1基本概念

13.1.1離散時間線性系統模型

13.1.2連續時間線性系統的離散化

13.2Kalman濾波器

13.2.1基本Kalman濾波器

13.2.2信息濾波器

13.2.3最優Bayes濾波器

13.2.4擴展Kalman濾波器

13.2.5疊代擴展Kalman濾波

13.2.6強跟蹤濾波器

13.2.7無跡Kalman濾波

13.2.8中心差分Kalman濾波器

13.3粒子濾波器

13.3.1粒子濾波方法

13.3.2基本粒子濾波算法

13.3.3輔助粒子濾波

13.3.4正則粒子濾波

習題

第三部分多源數據融合算法

第14章Bayes決策

14.1簡介

14.2基於最小錯誤率的Bayes決策

14.2.1兩類情況

14.2.2多類情況

14.3基於最小風險的Bayes決策

14.3.1條件期望風險

14.3.2期望風險

14.3.3最小風險Bayes決策規則

14.3.4最小風險Bayes決策的步驟

14.3.5最小錯誤率與最小風險的Bayes決策規則的聯繫

習題

第15章常態分配時的統計決策

15.1單變數常態分配

15.2多元常態分配

15.3多元常態分配情況下的Bayes分類方法

習題

第16章最大最小決策

習題

第17章神經網路

17.1神經網路的概述

17.2人工神經網路

17.3BP神經網路

17.4神經網路的發展趨勢及前沿問題

習題

第18章支持向量機

18.1線性支持向量機基礎

18.1.1支持向量機標準形式

18.1.2最優超平面

18.1.3核函式

18.1.4支持向量機算法

18.2線性支持向量機

18.2.1線性可分離的情況

18.2.2線性不可分的情況

18.3非線性支持向量機

18.4新型支持向量機

18.5小波支持向量機

18.5.1小波概念

18.5.2小波SVM

習題

第19章Bayes網路

19.1Bayes網路的概述

19.2Bayes網路的理論基礎

19.3Bayes網路的表示

19.3.1Bayes網路的定義

19.3.2Bayes網路中的獨立關係

19.4Bayes網路的構建

19.4.1構建Bayes網路

19.4.2Bayes網路的結構學習

19.4.3Bayes網路的參數學習

19.5Bayes網路的推理

習題

第四部分多源數據融合套用

第20章分散式檢測和融合

20.1系統模型和決策融合規則

20.1.1問題簡述

20.1.2決策融合規則

20.1.3分層網路結構

20.2性能分析

20.2.1系統級的誤警率

20.2.2系統級的檢測機率

20.2.3仿真結果

20.2.4漸進分析

20.2.5決策融合規則的最佳性

20.3局部感測器的閾值

習題

第21章分散式目標追蹤的高效管理策略

21.1一般問題

21.2貪婪策略

21.3連續模型

21.4隨機遊動

21.4.1直接通信的最優策略

21.4.2多跳轉通信的最優策略

21.4.3結合誤差協方差

21.5具有速度動態的目標運動

21.6性能評價

21.6.1CEC策略的追蹤算法

21.6.2參照算法

21.6.3CEC策略中的感測器選擇

21.6.4切換為直接通信

21.7強度測量實驗

21.8角度測量實驗

21.8.1隨機遊動

21.8.2有速度的目標運動

21.8.3靈敏度實驗

習題

第22章數據融合的系統校準

22.1問題陳述和知識預備

22.1.1問題陳述

22.1.2感測測量模型

22.1.3多感測器融合模型

22.2方法綜述

22.2.1系統架構

22.2.2問題描述

22.3線上本地標定

22.3.1測量模型估計

22.3.2線上模型估計

22.3.3本地標定算法

22.4最優系統級模型標定

22.4.1已標定系統檢測性能

22.4.2最佳系統級標定

22.4.3系統級標定算法

22.4.4實驗方法與設定

22.4.5標定方法性能比較

22.5標定方法性能分析

22.5.1跟蹤驅動仿真

22.5.2基於綜合數據的仿真

習題

第23章目標跟蹤策略算法與數據融合

23.1狀態向量和測量級融合

23.1.1狀態向量融合

23.1.2測量值數據級融合

23.1.3數據融合效果

23.2分解卡爾曼濾波器感測器數據表征與融合

23.2.1感測偏差

23.2.2誤差狀態空間卡爾曼濾波器

23.2.3測量和過程噪聲協方差估計

23.2.4時間標記和時延誤差

23.2.5多感測器數據融合方案

23.3平方根信息濾波器與非集中式結構中的融合

23.3.1信息濾波器

23.3.2平方根信息濾波器感測數據融合算法

23.3.3非集中式平方根信息濾波器

23.3.4濾波器性能分析

23.4最近鄰和機率數據關聯濾波算法

23.4.1最近鄰Kalman濾波器

23.4.2機率數據關聯濾波

23.4.3感測器以及多目標的跟蹤和數據相關程式

23.4.4數值仿真

23.5針對機動目標跟蹤的互動式多模型算法

23.5.1互動式多模型Kalman濾波算法

23.5.2目標移動模型

23.5.3互動式多模型Kalman濾波器的實現

23.6數據相關濾波器的聯合機率

23.6.1聯合機率數據關聯濾波器的通用版本

23.6.2基於樣本的粒子濾波器和聯合機率數據相關濾波器

23.7跟蹤中的無序測量處理

23.7.1無序測量問題的Bayes方法

23.7.2單延遲無雜波的無序測量

23.8數據共享和增益融合算法

23.8.1基於Kalman濾波的融合算法

23.8.2基於增益融合的算法

23.8.3性能評估

23.9全局融合與基於數據融合的H無窮濾波器

23.9.1基於H無窮濾波器的感測器數據融合

23.9.2基於H無窮後驗濾波的融合算法

23.9.3H無窮全局融合算法

23.9.4數值仿真結果

23.10融合中的無導數Kalman濾波器

23.10.1無導數Kalman濾波

23.10.2數值仿真

23.11飛彈引導頭估計

23.11.1互動式多模型增廣擴展Kalman濾波算法

23.11.2攔截器逃避者的對抗仿真

23.11.3基於擴展Kalman濾波的多擴展模型互動的性能評估

習題

第24章像素與特徵的圖像融合

24.1簡介

24.2像素級和特徵級圖像融合的概念和算法

24.3圖像配準

24.3.1基於區域的匹配

24.3.2基於特徵的方法

24.3.3變換模型

24.3.4重採樣和變換

24.3.5圖像配準精度

25.4用圖像數據分割、矩心檢測和目標追蹤

24.4.1圖像噪聲

24.4.2指標性能評估

24.4.3分割和矩心檢測技術

24.4.4數據生成和結果

24.4.5雷達和成像感測器軌跡融合

24.5像素級融合算法

24.5.1主成分分析法

24.5.2空間頻率

24.5.3性能評估

24.5.4小波變換

24.6雷射和視覺數據的融合

24.6.13D模型代

24.6.2模型評估

24.7特徵級融合方法

24.7.1外觀和深度信息的融合

24.7.2立體人臉識別系統

24.7.3特徵級融合

習題

第五部分多感測器管理

第25章信息融合中的多感測器管理：問題與方法

25.1簡介

25.1.1感測器管理的根本目的

25.1.2感測器管理在信息融合中的作用

25.1.3多感測器管理結構

25.1.4多感測器管理中問題的分類

25.2感測器管理問題的解決方案

25.2.1原理與方法論

25.2.2自上而下的感測器管理

25.3感測器部署原則

25.3.1概述

25.3.2感測器部署相關的濾波

25.4監視任務評價

25.4.1基於決策樹的評價

25.4.2基於神經網路的評價

25.4.3基於目標格序偏好的評價

25.5信號獲取的測量策略

25.5.1測量類型（模式）

25.5.2測量頻率

25.5.3目標檢測的策略

25.6感測器資源分配

25.6.1基於搜尋的感測器選擇

25.6.2感測器管理中的資訊理論方法

25.6.3感測器規劃中的決策理論

25.6.4模糊邏輯資源管理

25.6.5感測器分配中的Markov分類

25.7面向協作的感測器行為