本书基于编者的研究工作，并借鉴国内外其他学者的成果，力图较全面、系统地讲解信息融合理论、应用、传感器管理以及发展与最新研究成果，特别是在异构、多源、动态、非理想信道、稀疏、错误容忍环境下。全书共25章，分为五个部分。第一部分研究现状，包括多源数据融合概述、信息融合的原理和级别、多源传感器数据融合算法、多传感分布检测、传感器管理、探讨和备注；第二部分数学理论基础，包括Bayes方法、模糊集理论、粗糙集理论、MonteCarlo理论、DempsterShafer理论、估计理论和滤波器理论；第三部分多源数据融合算法，包括Bayes决策、正态分布时的统计决策、最大最小决策、神经网络、支持向量机和Bayes网络；第四部分多源数据融合应用，包括分布式检测和融合、目标追踪的高效管理策略、数据融合的系统校准、目标跟踪策略算法与数据融合、像素与特征的图像融合；第五部分是多传感器管理。本书可作为信息工程、信息融合、模式识别、机器学习、人工智能、数据分析、军事决策和电子对抗等专业的本科生和研究生教材，也可供上述相关领域的科技人员阅读和参考，还可以供雷达、声呐、激光、红外、机器人、导航、交通、医学、物联网、泛在网、CPS、遥感、遥测、定位等领域的科技工作者参考学习。

第一部分研究现状

第1章多源数据融合概述

1.1多传感器数据融合定义

1.2多传感数据融合面临的问题

习题

第2章信息融合的原理和级别

2.1信息融合的基本原理

2.2信息融合的级别

2.2.1信源

2.2.2信源预处理

2.2.3检测级融合

2.2.4位置级融合

2.2.5目标识别融合

2.2.6态势估计

2.2.7威胁估计

2.2.8精细处理

2.2.9数据库处理

习题

第3章多传感器数据融合算法

3.1有缺陷的数据融合

3.1.1概率融合

3.1.2证据置信度推理

3.1.3融合和模糊推理

3.1.4可能性融合

3.1.5基于粗糙集融合

3.1.6混合融合方法

3.1.7随机集理论融合

3.2相关数据的融合

3.2.1消除数据关联性

3.2.2数据融合中存在未知的相关性

3.2.3不一致数据融合

3.2.4虚假数据

3.2.5脱离序列数据

3.2.6冲突数据

3.3融合异质数据

习题

第4章多传感分布检测

4.1NeymanPearson公式

4.1.1并行拓扑结构

4.1.2串行拓扑结构

4.2Bayes公式

4.2.1并行结构

4.2.2串行拓扑结构

4.2.3更一般的网络拓扑结构

习题

第5章传感器管理

5.1传感器管理的定义

5.2数据融合系统中的传感器管理

5.3传感器管理的内容

5.4传感器管理的结构

习题

第6章数据融合的现状和趋势

6.1新兴融合模式

6.1.1软/硬数据融合

6.1.2机会数据融合

6.1.3自适应融合和研究

6.2正在进行的数据融合研究

6.2.1自动融合

6.2.2置信度可靠性

6.2.3安全融合

6.2.4融合评估

习题

第二部分数学理论基础

第7章Bayes方法

7.1Bayes方法的发展

7.2Bayes定理

7.2.1条件概率

7.2.2概率乘法规则

7.2.3全概率公式

7.2.4Bayes概率

7.3多源数据融合中的Bayes方法

7.4Bayes方法的优缺点

习题

第8章模糊集理论

8.1模糊数学概念

8.1.1经典集合相关定义与基本概念

8.1.2经典集合之间的关系与运算

8.2模糊集集合

8.2.1基本模糊集运算

8.2.2模糊集的基本定理

8.3模糊聚类分析

8.3.1聚类分析的数学模型

8.3.2模糊关系

8.3.3模糊关系的定义

8.4模糊型识别

8.4.1第一类模糊模型识别

8.4.2第二类模糊模型识别

8.5模糊决策

8.5.1模糊意见集中决策

8.5.2模糊二元对比决策

8.6模糊综合评判决策

8.6.1经典综合评判决策

8.6.2模糊映射与模糊变换

习题

第9章粗糙集理论

9.1知识与知识系统

9.2粗糙集与不精确范畴

9.3知识约简与知识依赖

9.4知识表达系统

9.5粗糙集理论在信息融合中的应用

习题

第10章MonteCarlo理论

10.1MonteCarlo基本理论

10.1.1概述

10.1.2MonteCarlo方法

10.2MarkovChainMonteCarlo算法

10.2.1Markov链概念

10.2.2Markov过程的分类

10.2.3齐次Markov链

10.2.4隐式Markov模型

10.2.5隐式半Markov模型

10.2.6MetropolisHastings算法

10.2.7Gibbs抽样

习题

第11章DempsterShafer证据理论

11.1DempsterShafer理论基本概念

11.2DempsterShafer组合规则

11.3DempsterShafer组合规则的相关改进

11.4DempsterShafer理论的推广

11.4.1广义DempsterShafer理论简介

11.4.2条件化DempsterShafer理论

11.4.3DempsterShafer理论在模糊集合上的推广

习题

第12章估计理论

12.1估计理论基础

12.1.1一般概念

12.1.2Bayes点估计理论

12.1.3加权最小二乘法估计

12.1.4极大似然估计与极大后验估计

12.1.5主成分估计

12.1.6递推最小二乘法估计与最小均方估计

12.1.7最佳线性无偏最小方差估计

12.2混合系统多模型估计

12.2.1多模型估计概念

12.2.2定结构多模型估计

12.2.3交互式多模型算法

12.2.4变结构多模型算法

12.3期望最大化方法

12.3.1EM方法描述

12.3.2混合Gauss参数估计的EM算法

习题

第13章滤波器理论

13.1基本概念

13.1.1离散时间线性系统模型

13.1.2连续时间线性系统的离散化

13.2Kalman滤波器

13.2.1基本Kalman滤波器

13.2.2信息滤波器

13.2.3最优Bayes滤波器

13.2.4扩展Kalman滤波器

13.2.5迭代扩展Kalman滤波

13.2.6强跟踪滤波器

13.2.7无迹Kalman滤波

13.2.8中心差分Kalman滤波器

13.3粒子滤波器

13.3.1粒子滤波方法

13.3.2基本粒子滤波算法

13.3.3辅助粒子滤波

13.3.4正则粒子滤波

习题

第三部分多源数据融合算法

第14章Bayes决策

14.1简介

14.2基于最小错误率的Bayes决策

14.2.1两类情况

14.2.2多类情况

14.3基于最小风险的Bayes决策

14.3.1条件期望风险

14.3.2期望风险

14.3.3最小风险Bayes决策规则

14.3.4最小风险Bayes决策的步骤

14.3.5最小错误率与最小风险的Bayes决策规则的联系

习题

第15章正态分布时的统计决策

15.1单变量正态分布

15.2多元正态分布

15.3多元正态分布情况下的Bayes分类方法

习题

第16章最大最小决策

习题

第17章神经网络

17.1神经网络的概述

17.2人工神经网络

17.3BP神经网络

17.4神经网络的发展趋势及前沿问题

习题

第18章支持向量机

18.1线性支持向量机基础

18.1.1支持向量机标准形式

18.1.2最优超平面

18.1.3核函数

18.1.4支持向量机算法

18.2线性支持向量机

18.2.1线性可分离的情况

18.2.2线性不可分的情况

18.3非线性支持向量机

18.4新型支持向量机

18.5小波支持向量机

18.5.1小波概念

18.5.2小波SVM

习题

第19章Bayes网络

19.1Bayes网络的概述

19.2Bayes网络的理论基础

19.3Bayes网络的表示

19.3.1Bayes网络的定义

19.3.2Bayes网络中的独立关系

19.4Bayes网络的构建

19.4.1构建Bayes网络

19.4.2Bayes网络的结构学习

19.4.3Bayes网络的参数学习

19.5Bayes网络的推理

习题

第四部分多源数据融合应用

第20章分布式检测和融合

20.1系统模型和决策融合规则

20.1.1问题简述

20.1.2决策融合规则

20.1.3分层网络结构

20.2性能分析

20.2.1系统级的误警率

20.2.2系统级的检测概率

20.2.3仿真结果

20.2.4渐进分析

20.2.5决策融合规则的最佳性

20.3局部传感器的阈值

习题

第21章分布式目标追踪的高效管理策略

21.1一般问题

21.2贪婪策略

21.3连续模型

21.4随机游动

21.4.1直接通信的最优策略

21.4.2多跳转通信的最优策略

21.4.3结合误差协方差

21.5具有速度动态的目标运动

21.6性能评价

21.6.1CEC策略的追踪算法

21.6.2参照算法

21.6.3CEC策略中的传感器选择

21.6.4切换为直接通信

21.7强度测量实验

21.8角度测量实验

21.8.1随机游动

21.8.2有速度的目标运动

21.8.3灵敏度实验

习题

第22章数据融合的系统校准

22.1问题陈述和知识预备

22.1.1问题陈述

22.1.2传感测量模型

22.1.3多传感器融合模型

22.2方法综述

22.2.1系统架构

22.2.2问题描述

22.3在线本地标定

22.3.1测量模型估计

22.3.2在线模型估计

22.3.3本地标定算法

22.4最优系统级模型标定

22.4.1已标定系统检测性能

22.4.2最佳系统级标定

22.4.3系统级标定算法

22.4.4实验方法与设定

22.4.5标定方法性能比较

22.5标定方法性能分析

22.5.1跟踪驱动仿真

22.5.2基于综合数据的仿真

习题

第23章目标跟踪策略算法与数据融合

23.1状态向量和测量级融合

23.1.1状态向量融合

23.1.2测量值数据级融合

23.1.3数据融合效果

23.2分解卡尔曼滤波器传感器数据表征与融合

23.2.1传感偏差

23.2.2误差状态空间卡尔曼滤波器

23.2.3测量和过程噪声协方差估计

23.2.4时间标记和时延误差

23.2.5多传感器数据融合方案

23.3平方根信息滤波器与非集中式结构中的融合

23.3.1信息滤波器

23.3.2平方根信息滤波器传感数据融合算法

23.3.3非集中式平方根信息滤波器

23.3.4滤波器性能分析

23.4最近邻和概率数据关联滤波算法

23.4.1最近邻Kalman滤波器

23.4.2概率数据关联滤波

23.4.3传感器以及多目标的跟踪和数据相关程序

23.4.4数值仿真

23.5针对机动目标跟踪的交互式多模型算法

23.5.1交互式多模型Kalman滤波算法

23.5.2目标移动模型

23.5.3交互式多模型Kalman滤波器的实现

23.6数据相关滤波器的联合概率

23.6.1联合概率数据关联滤波器的通用版本

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

23.7跟踪中的无序测量处理

23.7.1无序测量问题的Bayes方法

23.7.2单延迟无杂波的无序测量

23.8数据共享和增益融合算法

23.8.1基于Kalman滤波的融合算法

23.8.2基于增益融合的算法

23.8.3性能评估

23.9全局融合与基于数据融合的H无穷滤波器

23.9.1基于H无穷滤波器的传感器数据融合

23.9.2基于H无穷后验滤波的融合算法

23.9.3H无穷全局融合算法

23.9.4数值仿真结果

23.10融合中的无导数Kalman滤波器

23.10.1无导数Kalman滤波

23.10.2数值仿真

23.11导弹引导头估计

23.11.1交互式多模型增广扩展Kalman滤波算法

23.11.2拦截器逃避者的对抗仿真

23.11.3基于扩展Kalman滤波的多扩展模型交互的性能评估

习题

第24章像素与特征的图像融合

24.1简介

24.2像素级和特征级图像融合的概念和算法

24.3图像配准

24.3.1基于区域的匹配

24.3.2基于特征的方法

24.3.3变换模型

24.3.4重采样和变换

24.3.5图像配准精度

25.4用图像数据分割、矩心检测和目标追踪

24.4.1图像噪声

24.4.2指标性能评估

24.4.3分割和矩心检测技术

24.4.4数据生成和结果

24.4.5雷达和成像传感器轨迹融合

24.5像素级融合算法

24.5.1主成分分析法

24.5.2空间频率

24.5.3性能评估

24.5.4小波变换

24.6激光和视觉数据的融合

24.6.13D模型代

24.6.2模型评估

24.7特征级融合方法

24.7.1外观和深度信息的融合

24.7.2立体人脸识别系统

24.7.3特征级融合

习题

第五部分多传感器管理

第25章信息融合中的多传感器管理：问题与方法

25.1简介

25.1.1传感器管理的根本目的

25.1.2传感器管理在信息融合中的作用

25.1.3多传感器管理结构

25.1.4多传感器管理中问题的分类

25.2传感器管理问题的解决方案

25.2.1原理与方法论

25.2.2自上而下的传感器管理

25.3传感器部署原则

25.3.1概述

25.3.2传感器部署相关的滤波

25.4监视任务评价

25.4.1基于决策树的评价

25.4.2基于神经网络的评价

25.4.3基于目标格序偏好的评价

25.5信号获取的测量策略

25.5.1测量类型（模式）

25.5.2测量频率

25.5.3目标检测的策略

25.6传感器资源分配

25.6.1基于搜索的传感器选择

25.6.2传感器管理中的信息论方法

25.6.3传感器规划中的决策理论

25.6.4模糊逻辑资源管理

25.6.5传感器分配中的Markov分类

25.7面向协作的传感器行为 2100433B

第1章 数据融合

1.1 低层次融合

1.2 中级融合

1.3 高层次融合

1.4 安全

1.5 传感器融合

1.6 应用历史

第2章 传感器类型

2.1 传感器

2.2 传感器的选择

2.3 声呐

2.3.1 声呐换能器

2.3.2 声呐的应用

2.4 激光传感器

2.4.1 激光

2.4.2 激光光

2.4.3 激光的应用

2.5 射频传感器

2.5.1 射频传感器的应用

第3章 新的安全监控系统

3.1 目标动态传感

3.2 安全决策

第4章 传感器融合

4.1 相似度概念

4.2 迭代贝叶斯估计和最后验概率

4.3 全局和局部指标

第5章 状态估计

5.1 卡尔曼滤波

5.2 扩展卡尔曼滤波

第6章 状态变换（同类传感器互补）

第7章 决策制定—模糊逻辑系统

7.1 决策过程

7.2 模糊逻辑系统

7.31—型模糊逻辑系统

7.3.11—型隶属度函数及其运算

7.3.2 语言变量和IF—THEN规则

7.3.3 基于模糊规则的推理

7.42—型模糊逻辑系统

7.4.12—型模糊集与隶属函数

7.5 模糊逻辑控制

7.6 异构传感器的互补性

第8章 结果与讨论

8.1 卡尔曼滤波结果

8.1.1 两目标的仿真

8.1.2 三目标的仿真

8.2 扩展卡尔曼滤波结果

第9章 结论和工作展望

附录A 超模糊逻辑决策在安全监视系统中的应用

A.1 引言

A.2 安全系统

A.3 模糊逻辑基本原理

A.4 超模糊

A.5 结果和讨论

附录B 系统代码

参考文献