信息、控制与系统技术丛书 多源数据融合和传感器管理pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
下载压缩包 [复制下载地址] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页

信息、控制与系统技术丛书 多源数据融合和传感器管理PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

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

第一部分 研究现状 3

第1章 多源数据融合概述 3

1.1多传感器数据融合定义 3

1.2多传感数据融合面临的问题 4

习题 5

第2章 信息融合的原理和级别 6

2.1信息融合的基本原理 6

2.2信息融合的级别 6

2.2.1信源 8

2.2.2信源预处理 8

2.2.3检测级融合 8

2.2.4位置级融合 9

2.2.5目标识别融合 9

2.2.6态势估计 9

2.2.7威胁估计 10

2.2.8精细处理 11

2.2.9数据库处理 11

习题 11

第3章 多传感器数据融合算法 12

3.1有缺陷的数据融合 13

3.1.1概率融合 14

3.1.2证据置信度推理 15

3.1.3融合和模糊推理 16

3.1.4可能性融合 17

3.1.5基于粗糙集融合 18

3.1.6混合融合方法 18

3.1.7随机集理论融合 19

3.2相关数据的融合 20

3.2.1消除数据关联性 20

3.2.2数据融合中存在未知的相关性 21

3.2.3不一致数据融合 21

3.2.4虚假数据 21

3.2.5脱离序列数据 22

3.2.6冲突数据 22

3.3融合异质数据 23

习题 24

第4章 多传感分布检测 25

4.1 Neyman-Pearson公式 25

4.1.1并行拓扑结构 25

4.1.2串行拓扑结构 27

4.2 Bayes公式 29

4.2.1并行结构 29

4.2.2串行拓扑结构 31

4.2.3更一般的网络拓扑结构 32

习题 32

第5章 传感器管理 33

5.1传感器管理的定义 33

5.2数据融合系统中的传感器管理 34

5.3传感器管理的内容 35

5.4传感器管理的结构 36

习题 39

第6章 数据融合的现状和趋势 40

6.1新兴融合模式 40

6.1.1软/硬数据融合 40

6.1.2机会数据融合 40

6.1.3自适应融合和研究 40

6.2正在进行的数据融合研究 41

6.2.1自动融合 41

6.2.2置信度可靠性 41

6.2.3安全融合 41

6.2.4融合评估 42

习题 43

第二部分 数学理论基础 47

第7章 Bayes方法 47

7.1 Bayes方法的发展 47

7.2 Bayes定理 47

7.2.1条件概率 47

7.2.2概率乘法规则 48

7.2.3全概率公式 48

7.2.4 Bayes概率 49

7.3多源数据融合中的Bayes方法 50

7.4 Bayes方法的优缺点 51

习题 51

第8章 模糊集理论 53

8.1模糊数学概念 53

8.1.1经典集合相关定义与基本概念 54

8.1.2经典集合之间的关系与运算 54

8.2模糊集集合 55

8.2.1基本模糊集运算 56

8.2.2模糊集的基本定理 57

8.3模糊聚类分析 58

8.3.1聚类分析的数学模型 58

8.3.2模糊关系 59

8.3.3模糊关系的定义 60

8.4模糊型识别 61

8.4.1第一类模糊模型识别 61

8.4.2第二类模糊模型识别 62

8.5模糊决策 62

8.5.1模糊意见集中决策 63

8.5.2模糊二元对比决策 63

8.6模糊综合评判决策 63

8.6.1经典综合评判决策 63

8.6.2模糊映射与模糊变换 64

习题 64

第9章 粗糙集理论 66

9.1知识与知识系统 66

9.2粗糙集与不精确范畴 66

9.3知识约简与知识依赖 67

9.4知识表达系统 67

9.5粗糙集理论在信息融合中的应用 68

习题 68

第10章 Monte Carlo理论 70

10.1 Monte Carlo基本理论 70

10.1.1概述 70

10.1.2 Monte Carlo方法 71

10.2 Markov Chain Monte Carlo算法 73

10.2.1 Markov链概念 74

10.2.2 Markov过程的分类 74

10.2.3齐次Markov链 75

10.2.4隐式Markov模型 76

10.2.5隐式半Markov模型 77

10.2.6 Metropolis-Hastings算法 79

10.2.7 Gibbs抽样 80

习题 81

第11章 Dempster-Shafer证据理论 82

11.1 Dempster-Shafer理论基本概念 82

11.2 Dempster-Shafer组合规则 83

11.3 Dempster-Shafer组合规则的相关改进 83

11.4 Dempster-Shafer理论的推广 84

11.4.1广义Dempster-Shafer理论简介 84

11.4.2条件化Dempster-Shafer理论 85

11.4.3 Dempster-Shafer理论在模糊集合上的推广 86

习题 87

第12章 估计理论 88

12.1估计理论基础 88

12.1.1一般概念 88

12.1.2 Bayes点估计理论 89

12.1.3加权最小二乘法估计 90

12.1.4极大似然估计与极大后验估计 91

12.1.5主成分估计 91

12.1.6递推最小二乘法估计与最小均方估计 94

12.1.7最佳线性无偏最小方差估计 95

12.2混合系统多模型估计 96

12.2.1多模型估计概念 97

12.2.2定结构多模型估计 98

12.2.3交互式多模型算法 101

12.2.4变结构多模型算法 103

12.3期望最大化方法 107

12.3.1 EM方法描述 107

12.3.2混合Gauss参数估计的EM算法 109

习题 110

第13章 滤波器理论 111

13.1基本概念 111

13.1.1离散时间线性系统模型 111

13.1.2连续时间线性系统的离散化 111

13.2 Kalman滤波器 113

13.2.1基本Kalman滤波器 113

13.2.2信息滤波器 115

13.2.3最优Bayes滤波器 116

13.2.4扩展Kalman滤波器 118

13.2.5迭代扩展Kalman滤波 121

13.2.6强跟踪滤波器 122

13.2.7无迹Kalman滤波 125

13.2.8中心差分Kalman滤波器 127

13.3粒子滤波器 129

13.3.1粒子滤波方法 129

13.3.2基本粒子滤波算法 133

13.3.3辅助粒子滤波 135

13.3.4正则粒子滤波 136

习题 137

第三部分 多源数据融合算法 141

第14章 Bayes决策 141

14.1简介 141

14.2基于最小错误率的Bayes决策 141

14.2.1两类情况 141

14.2.2多类情况 144

14.3基于最小风险的Bayes决策 145

14.3.1条件期望风险 145

14.3.2期望风险 145

14.3.3最小风险Bayes决策规则 145

14.3.4最小风险Bayes决策的步骤 146

14.3.5最小错误率与最小风险的Bayes决策规则的联系 146

习题 146

第15章 正态分布时的统计决策 149

15.1单变量正态分布 149

15.2多元正态分布 150

15.3多元正态分布情况下的Bayes分类方法 153

习题 157

第16章 最大最小决策 158

习题 160

第17章 神经网络 161

17.1神经网络的概述 161

17.2人工神经网络 161

17.3 BP神经网络 162

17.4神经网络的发展趋势及前沿问题 164

习题 164

第18章 支持向量机 165

18.1线性支持向量机基础 165

18.1.1支持向量机标准形式 165

18.1.2最优超平面 166

18.1.3核函数 166

18.1.4支持向量机算法 167

18.2线性支持向量机 168

18.2.1线性可分离的情况 168

18.2.2线性不可分的情况 169

18.3非线性支持向量机 169

18.4新型支持向量机 170

18.5小波支持向量机 171

18.5.1小波概念 172

18.5.2小波SVM 172

习题 173

第19章 Bayes网络 174

19.1 Bayes网络的概述 174

19.2 Bayes网络的理论基础 174

19.3 Bayes网络的表示 175

19.3.1 Bayes网络的定义 175

19.3.2 Bayes网络中的独立关系 176

19.4 Bayes网络的构建 178

19.4.1构建Bayes网络 178

19.4.2 Bayes网络的结构学习 179

19.4.3 Bayes网络的参数学习 180

19.5 Bayes网络的推理 182

习题 184

第四部分 多源数据融合应用 187

第20章 分布式检测和融合 187

20.1系统模型和决策融合规则 187

20.1.1问题简述 187

20.1.2决策融合规则 189

20.1.3分层网络结构 189

20.2性能分析 191

20.2.1系统级的误警率 191

20.2.2系统级的检测概率 192

20.2.3仿真结果 193

20.2.4渐进分析 195

20.2.5决策融合规则的最佳性 195

20.3局部传感器的阈值 199

习题 202

第21章 分布式目标追踪的高效管理策略 203

21.1一般问题 204

21.2贪婪策略 205

21.3连续模型 206

21.4随机游动 207

21.4.1直接通信的最优策略 207

21.4.2多跳转通信的最优策略 207

21.4.3结合误差协方差 208

21.5具有速度动态的目标运动 209

21.6性能评价 211

21.6.1 CEC策略的追踪算法 211

21.6.2参照算法 212

21.6.3 CEC策略中的传感器选择 212

21.6.4切换为直接通信 213

21.7强度测量实验 213

21.8角度测量实验 216

21.8.1随机游动 217

21.8.2有速度的目标运动 217

21.8.3灵敏度实验 218

习题 220

第22章 数据融合的系统校准 221

22.1问题陈述和知识预备 221

22.1.1问题陈述 221

22.1.2传感测量模型 222

22.1.3多传感器融合模型 223

22.2方法综述 224

22.2.1系统架构 224

22.2.2问题描述 225

22.3在线本地标定 226

22.3.1测量模型估计 226

22.3.2在线模型估计 227

22.3.3本地标定算法 229

22.4最优系统级模型标定 230

22.4.1已标定系统检测性能 230

22.4.2最佳系统级标定 230

22.4.3系统级标定算法 232

22.4.4实验方法与设定 233

22.4.5标定方法性能比较 234

22.5标定方法性能分析 235

22.5.1跟踪驱动仿真 235

22.5.2基于综合数据的仿真 236

习题 238

第23章 目标跟踪策略算法与数据融合 239

23.1状态向量和测量级融合 242

23.1.1状态向量融合 243

23.1.2测量值数据级融合 243

23.1.3数据融合效果 244

23.2分解卡尔曼滤波器传感器数据表征与融合 244

23.2.1传感偏差 245

23.2.2误差状态空间卡尔曼滤波器 246

23.2.3测量和过程噪声协方差估计 246

23.2.4时间标记和时延误差 247

23.2.5多传感器数据融合方案 247

23.3平方根信息滤波器与非集中式结构中的融合 253

23.3.1信息滤波器 254

23.3.2平方根信息滤波器传感数据融合算法 255

23.3.3非集中式平方根信息滤波器 255

23.3.4滤波器性能分析 257

23.4最近邻和概率数据关联滤波算法 258

23.4.1最近邻Kalman滤波器 259

23.4.2概率数据关联滤波 259

23.4.3传感器以及多目标的跟踪和数据相关程序 261

23.4.4数值仿真 265

23.5针对机动目标跟踪的交互式多模型算法 267

23.5.1交互式多模型Kalman滤波算法 267

23.5.2目标移动模型 269

23.5.3交互式多模型Kalman滤波器的实现 270

23.6数据相关滤波器的联合概率 274

23.6.1联合概率数据关联滤波器的通用版本 274

23.6.2基于样本的粒子滤波器和联合概率数据相关滤波器 275

23.7跟踪中的无序测量处理 276

23.7.1无序测量问题的Bayes方法 276

23.7.2单延迟无杂波的无序测量 277

23.8数据共享和增益融合算法 278

23.8.1基于Kalman滤波的融合算法 278

23.8.2基于增益融合的算法 279

23.8.3性能评估 280

23.9全局融合与基于数据融合的H无穷滤波器 280

23.9.1基于H无穷滤波器的传感器数据融合 282

23.9.2基于H无穷后验滤波的融合算法 283

23.9.3 H无穷全局融合算法 284

23.9.4数值仿真结果 284

23.10融合中的无导数Kalman滤波器 286

23.10.1无导数Kalman滤波 287

23.10.2数值仿真 287

23.11导弹引导头估计 291

23.11.1交互式多模型-增广扩展Kalman滤波算法 291

23.11.2拦截器-逃避者的对抗仿真 294

23.11.3基于扩展Kalman滤波的多扩展模型交互的性能评估 294

习题 300

第24章 像素与特征的图像融合 301

24.1简介 301

24.2像素级和特征级图像融合的概念和算法 303

24.3图像配准 303

24.3.1基于区域的匹配 304

24.3.2基于特征的方法 305

24.3.3变换模型 307

24.3.4重采样和变换 307

24.3.5图像配准精度 307

25.4用图像数据分割、矩心检测和目标追踪 308

24.4.1图像噪声 308

24.4.2指标性能评估 309

24.4.3分割和矩心检测技术 310

24.4.4数据生成和结果 312

24.4.5雷达和成像传感器轨迹融合 313

24.5像素级融合算法 314

24.5.1主成分分析法 315

24.5.2空间频率 317

24.5.3性能评估 318

24.5.4小波变换 325

24.6激光和视觉数据的融合 329

24.6.1 3D模型代 329

24.6.2模型评估 330

24.7特征级融合方法 330

24.7.1外观和深度信息的融合 331

24.7.2立体人脸识别系统 331

24.7.3特征级融合 333

习题 334

第五部分 多传感器管理 337

第25章 信息融合中的多传感器管理：问题与方法 337

25.1简介 337

25.1.1传感器管理的根本目的 337

25.1.2传感器管理在信息融合中的作用 337

25.1.3多传感器管理结构 338

25.1.4多传感器管理中问题的分类 338

25.2传感器管理问题的解决方案 340

25.2.1原理与方法论 340

25.2.2自上而下的传感器管理 341

25.3传感器部署原则 343

25.3.1概述 343

25.3.2传感器部署相关的滤波 343

25.4监视任务评价 345

25.4.1基于决策树的评价 345

25.4.2基于神经网络的评价 346

25.4.3基于目标格序偏好的评价 346

25.5信号获取的测量策略 348

25.5.1测量类型（模式） 348

25.5.2测量频率 348

25.5.3目标检测的策略 349

25.6传感器资源分配 350

25.6.1基于搜索的传感器选择 350

25.6.2传感器管理中的信息论方法 353

25.6.3传感器规划中的决策理论 354

25.6.4模糊逻辑资源管理 355

25.6.5传感器分配中的Markov分类 355

25.7面向协作的传感器行为 356

习题 358

参考文献 359