[正版]多源信息融合(第3版) 韩崇昭 清华大学出版社 AI信息融合目标跟踪人工智能

本专著介绍了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;还介绍了目标跟踪理论、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;也介绍了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。此外,本专著对大数据时代信息融合新的发展做了修订和补充。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。

韩崇昭：  男，陕西省乾县人，1943年生。1968年毕业于西安交通大学后入某兵工厂工作十年，于1981年进入中国科学院研究生院学习，获我国首批颁发的硕士学位后返回西安交通大学工作至今。1990年破格晋升教授，1993年被国务院学位办批准为博士生导师，2013年以二级教授身份退休。曾赴英国伦敦城市大学和奥地利维也纳技术大学进行合作研究，四次以访问教授身份赴美国新奥尔良大学从事信息融合的合作研究。曾任中国自动化学会理事、《自动化学报》编委等。曾任陕西省人民政府参事、总装备部“导航、定位与测控技术专业组”专家等。长期从事多传感信息融合及决策理论与决策支持系统等方向的研究，曾获得国家基金及973项目的资助；曾担任某国防973项目的首席科学家。在国内外重要期刊或会议发表论文400多篇（2017年获得国际信息融合学会颁发的论文贡献证书），出版著作7本，获省部级以上科研成果奖7项、优秀教材奖1项；2011年，以“基于异构信息融合的非线性动态系统估计技术及应用”成果第一获奖人的身份获得国家科技进步二等奖。曾获得“杨嘉墀科技一等奖”。2013年，被评为“科学中国人（2013）年度人物”。

本书由西安交通大学韩崇昭教授著作，是经典畅销图书全新修订的，系统论述大数据时代信息融合发展的新成果。本书曾获得国家重点基础研究发展规划项目资助。是信息融合领域的经典力作。国际著名信息融合专家、美国新奥尔良大学李晓榕教授作序！中国工程院院士费爱国、中国工程院院士何友推荐！

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

1.5.1信息融合发展的起源与现状

1.5.2信息融合的未来发展

1.5.3大数据时代对信息融合的挑战

1.6小结

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

2.1.2Bayes点估计理论

2.1.3BLUE估计

2.1.4WLS估计

2.1.5ML估计

2.1.6PC估计

2.1.7RLS估计与LMS估计

2.2期望极大化(EM)方法

2.2.1概述

2.2.2EM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Kalman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)

2.4.2UKF滤波

2.4.3Bayes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

2.5.2Monte Carlo仿真的随机抽样

2.5.3Markov 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

3.3.2mass函数、信度函数与似真度函数

3.3.3Dempster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

3.3.7关于证据函数不确定性的研讨

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典型RFS（随机有限集）分布函数

3.5.5标签RFS

3.5.6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

3.7Bayes网络基础

3.7.1Bayes网络的一般概念

3.7.2独立性假设

3.7.3一致性概率

3.7.4Bayes网络推断

3.8大数据时代的云计算

3.8.1云计算的概念

3.8.2云计算的快速发展

3.8.3云计算对多源信息融合技术实现的影响

3.9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时间配准

4.8.1问题描述

4.8.2最小二乘时间配准算法

4.8.3基于B样条插值的时间配准算法［101］

4.8.4自适应变长滑窗的时间配准算法［100］

4.9空间配准

4.9.1问题描述

4.9.2常用坐标系

4.9.3坐标转换

4.9.4空间配准算法概述

4.9.5二维空间配准算法

4.9.6精确极大似然空间配准算法

4.9.7基于地心坐标系的空间配准算法

4.9.8基于位置信息的异步传感器空间配准算法

4.10基于随机有限集的多目标跟踪概述

4.10.1RFS目标运动和量测模型

4.10.2PHD（概率假设密度）滤波器

4.10.3CPHD（基数概率假设密度）滤波器

4.10.4GMPHD（混合高斯PHD）滤波器

4.10.5CBMeMBer滤波器

4.10.6GLMB(基于广义标签多伯努利）滤波器

4.11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

5.2.3传感器观测独立条件下的最优分布式检测

5.2.4实例计算

5.3串行结构融合系统的最优分布式检测融合算法

5.3.1系统描述

5.3.2传感器观测独立条件下最优分布式检测的必要条件

5.3.3传感器观测独立条件下的最优分布式检测  

5.3.4实例计算

5.4树形结构融合系统的最优分布式检测融合算法

5.4.1系统描述

5.4.2结点观测独立条件下最优分布式检测的必要条件

5.4.3结点观测独立条件下的最优分布式检测

5.4.4实例计算

5.5分布式量化检测系统

5.5.1系统描述

5.5.2最优分布式量化检测的必要条件

5.5.3传感器观测独立条件下的最优分布式量化检测

5.5.4实例计算

5.6分布式NP检测融合系统

5.6.1最优分布式量化检测的必要条件

5.6.2传感器观测独立条件下的最优分布式检测

5.6.3传感器观测相关条件下的次优分布式检测

5.6.4分布式硬决策NP检测融合系统 

5.6.5实例计算

5.7小结

参考文献

第6章估计融合

6.1估计融合系统结构

6.2集中式融合系统

6.2.1并行滤波

6.2.2序贯滤波

6.2.3数据压缩滤波

6.3分布式融合系统

6.3.1分布式融合结构

6.3.2航迹融合中各传感器局部估计误差相关的原因

6.3.3简单凸组合融合算法

6.3.4BarShalomCampo融合算法

6.3.5不带反馈的最优分布式估计融合

6.3.6带反馈的最优分布式估计融合

6.3.7无中心化分布式信息融合

6.4状态估计的其他方法

6.4.1最大后验概率状态估计融合

6.4.2最优集中式估计的重构

6.5协方差交叉法

6.5.1问题描述

6.5.2相关程度已知的相关估计量最优融合

6.5.3相关程度未知的相关估计量最优融合

6.6联邦滤波器

6.6.1问题描述

6.6.2方差上界技术

6.6.3联邦滤波器的一般结构

6.6.4联邦滤波器的工作流程

6.6.5联邦滤波器的最优性证明

6.6.6联邦滤波器的四种结构

6.6.7联邦滤波器四种结构的比较

6.6.8联邦滤波器的特点

6.6.9联邦滤波器的两种简化形式

6.7最优线性估计融合与统一融合规则

6.7.1问题描述

6.7.2统一线性数据模型

6.7.3对于线性数据模型的统一最优融合规则

6.7.4一般最优线性融合规则

6.8非线性分层融合算法

6.9为什么需要估计融合

6.9.1中心式融合

6.9.2分布式融合

6.10小结

参考文献

第7章数据关联

7.1引言

7.2量测航迹关联算法： 经典方法

7.2.1最近邻方法

7.2.2概率数据关联

7.2.3交互式多模型概率数据关联

7.2.4联合概率数据关联

7.2.5多传感联合概率数据关联

7.3量测航迹关联的其他方法

7.3.1基于粒子滤波的联合概率数据关联

7.3.2多假设方法

7.3.3概率多假设方法

7.3.4基于期望极大化算法的杂波环境下机动目标跟踪

7.4集中式多传感多目标跟踪的广义S维分配算法

7.5多目标跟踪起始与跟踪终止算法

7.5.1跟踪起始方法

7.5.2跟踪终止方法

7.5.3基于目标可感知性的决策方法

7.6分布式航迹关联

7.6.1基本符号

7.6.2两个传感器之间的航迹关联

7.6.3多传感器之间的航迹关联

7.7小结

参考文献

第8章异步融合

8.1异步融合的一般概念

8.2顺序量测异步融合

8.2.1问题描述

8.2.2顺序量测异步融合算法

8.3单个非顺序量测异步融合问题

8.3.1非顺序量测问题产生的原因

8.3.2非顺序量测问题的数学描述

8.3.3非顺序量测问题的主要处理算法

8.3.4直接更新法的通解

8.4单个非顺序量测一步滞后滤波

8.4.1A1算法

8.4.2B1算法

8.4.3C1算法

8.4.4各种算法比较

8.5单个非顺序量测多步滞后滤波

8.5.1Bl算法

8.5.2Al1与Bl1算法

8.5.3Zl算法

8.6多OOSM多步滞后滤波

8.7小结

参考文献

第9章图像融合

9.1图像融合概述

9.1.1图像融合的一般概念

9.1.2图像融合的发展

9.1.3图像融合的简单应用实例

9.2图像融合的分类

9.2.1像素级图像融合

9.2.2特征级图像融合

9.2.3决策级图像融合

9.2.4三个图像融合层次的性能比较

9.3图像配准

9.3.1配准的基本概念

9.3.2配准需要解决的问题

9.3.3配准算法

9.3.4变换模型及配准参数估计方法

9.3.5图像的重采样和变换

9.4图像融合算法

9.4.1简单图像融合算法

9.4.2基于金字塔分解的图像融合算法

9.4.3基于小波变换的图像融合算法

9.4.4其他图像融合算法

9.5遥感图像融合

9.5.1遥感图像融合概述

9.5.2遥感图像数据融合的基本框架

9.5.3基于粗糙集的特征选择与多源遥感图像融合分类

9.5.4用于目标搜索的融合框架设计

9.6基于图像融合的目标跟踪

9.6.1图像跟踪的一般理论

9.6.2图像跟踪的工程算法

9.6.3图像跟踪的一般过程

9.7基于视频SAR图像序列的动目标阴影联合监测与跟踪

9.7.1多个弱小机动目标联合检测与跟踪

9.7.2时变数目动目标联合检测与跟踪

9.7.3该项研究的创新点

9.8图像融合的评价标准

9.8.1主观评价标准

9.8.2客观评价标准

9.9小结

参考文献

第10章异类融合

10.1概述

10.2基于雷达检测与红外检测融合处理的目标跟踪

10.2.1问题概述

10.2.2算法描述

10.3基于音频和视频特征融合的身份识别

10.3.1问题概述

10.3.2音频特征提取

10.3.3视频特征提取

10.3.4分类

10.3.5多形态融合

10.4杂波环境中基于异类信息融合的目标跟踪

10.4.1问题描述

10.4.2概率生成模型

10.4.3对于音频视频数据的一个概率生成模型

10.4.4基于音频视频数据融合的参数估计与目标跟踪

10.4.5融合与跟踪结果

10.5共同杂波环境中基于异类信息的多传感误差传递与校正

10.5.1概述

10.5.2问题描述与基本原理

10.5.3目标1量测数据的误差标定与分离算法

10.5.4从目标1量测数据到目标2量测数据的误差传递算法

10.5.5目标2量测数据的误差校正算法

10.6多源异类信息融合的一般方法论探讨

10.6.1多源异类信息融合的一般概念

10.6.2多源异类信息融合的基本思路

10.6.3多源异类信息融合的方法论探讨

10.7多源异类信息融合的传感器管理

10.7.1传感器管理的定义及问题描述

10.7.2传感器管理方法的起源与发展

10.7.3传感器管理方法研究现状

10.7.4基于目标威胁度的传感器管理方法研究

10.8小结

参考文献

第11章智能交通与智能车辆的信息融合

11.1智能交通系统概述

11.1.1一般概念

11.1.2发展过程

11.1.3智能交通的主要研究方向

11.1.4我国ITS发展现状

11.1.5智能交通系统的发展方向

11.2智能车辆系统概述

11.2.1主要研究内容

11.2.2研究与应用现状

11.2.3多传感技术应用

11.3基于多传感信息融合的路径规划与自动导航

11.3.1基于多传感信息融合的路径规划

11.3.2基于多传感信息融合的自动导航

11.4智能车辆系统的障碍规避与防碰撞

11.4.1智能车辆防碰撞系统的研究内容

11.4.2智能车辆防碰撞系统的组成

11.4.3自适应巡航控制系统的关键技术

11.4.4当前存在的问题

11.5基于证据推理的多传感器信息融合的道路车辆跟踪

11.5.1引言

11.5.2车载传感器数据关联的证据理论实现

11.5.3仿真示例

11.6小结

参考文献

第12章态势评估和威胁估计

12.1前言

12.2决策级融合中的态势评估

12.2.1态势的概念

12.2.2现代战争中的态势评估

12.2.3基于战争环境的威胁估计

12.3态势评估的实现

12.3.1态势评估的特点

12.3.2态势评估过程

12.3.3态势评估的事后分析

12.4一个简单的应用实例

12.4.1问题描述

12.4.2系统建模

12.5常用的态势评估方法

12.5.1推理理论

12.5.2模糊集理论

12.5.3专家系统方法

12.5.4黑板模型

12.5.5进化算法

12.5.6多智能体理论

12.6小结

参考文献