第1章 多传感器数据融合概述 1

1.1 引言 1

1.1.1 概况 1

1.1.2 雷达信息处理系统的发展过程 3

1.1.3 数据融合系统中的主要传感器 6

1.1.4 数据融合的应用领域 8

1.2 数据融合的定义和通用模型 10

1.2.1 数据融合的定义 10

1.2.2 数据融合的通用模型 11

1.2.3 传感器组成及描述 12

1.3 数据融合的重要性和潜在能力 16

1.4 数据融合的分类 17

1.4.1 像素级融合 17

1.4.2 特征级融合 18

1.4.3 决策级融合 18

1.5 数据融合技术 19

1.6 数据融合的主要内容 20

第2章 状态估计 23

2.1 卡尔曼滤波器 23

2.1.1 用数字滤波器作为估值器 24

2.1.2 线性均方估计 26

2.1.3 最优递归估值器--标量卡尔曼滤波器 28

2.1.4 向量卡尔曼滤波器 30

2.1.5 扩展卡尔曼滤波器 35

2.1.6 卡尔曼滤波器在雷达跟踪中的应用 40

2.1.7 扩展卡尔曼滤波器在目标跟踪和卫星轨道确定方面的应用 43

2.1.8 目标机动检测 47

2.1.9 自适应卡尔曼滤波器 49

2.2 常系数α-β和α-β-γ滤波器 52

2.2.1 目标运动模型 52

2.2.2 常系数α-β和α-β-γ滤波器 52

2.2.3 常系数α-β和α-β-γ滤波器的系数 54

2.2.4 变系数α-β和α-β-γ滤波器的系数 55

2.2.5 α-β和α-β-γ组合滤波器 56

2.3 自适应α-β滤波器 57

2.3.1 目标运动方程和观测方程 57

2.3.2 自适应系数的获取 57

2.3.3 滤波算法 58

2.3.4 获取α(k)和β(k)的局部方差方法 58