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、多源傳感器數據融合算法、多傳感分布檢測、傳感器管理、探討和備注;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、正態分布時的統計決策、最大最小決策、神經網絡、支持向量機和Bayes網絡;第四部分多源數據融合應用,包括分布式檢測和融合、目標追蹤的高效管理策略、數據融合的系統校准、目標跟蹤策略算法與數據融合、像素與特征的圖像融合;第五部分是多傳感器管理。
《信息、控制與系統技術叢書•電子科技大學特色教材:多源數據融合和傳感器管理》可作為信息工程、信息融合、模式識別、機器學習、人工智能、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、激光、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。
目錄
第一部分研究現狀
第1章多源數據融合概述
1.1多傳感器數據融合定義
1.2多傳感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數據庫處理
習題
第3章多傳感器數據融合算法
3.1有缺陷的數據融合
3.1.1概率融合
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沖突數據
3.3融合異質數據
習題
第4章多傳感分布檢測
4.1Neyman—Pearson公式
4.1.1並行拓撲結構
4.1.2串行拓撲結構
4.2Bayes公式
4.2.1並行結構
4.2.2串行拓撲結構
4.2.3更一般的網絡拓撲結構
習題
第5章傳感器管理
5.1傳感器管理的定義
5.2數據融合系統中的傳感器管理
5.3傳感器管理的內容
5.4傳感器管理的結構
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條件概率
7.2.2概率乘法規則
7.2.3全概率公式
7.2.4Bayes概率
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經典集合之間的關系與運算
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模糊關系
8.3.3模糊關系的定義
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粗糙集與不精確范疇
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應用
習題
第10章MonteCarlo理論
10.1MonteCarlo基本理論
10.1.1概述
10,1.2MonteCarlo方法
10.2Markov—ChainMonteCarlo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DempsterShafer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后驗估計
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交互式多模型算法
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迭代擴展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
第四部分多源數據融合應用
第1章多源數據融合概述
1.1多傳感器數據融合定義
1.2多傳感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數據庫處理
習題
第3章多傳感器數據融合算法
3.1有缺陷的數據融合
3.1.1概率融合
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沖突數據
3.3融合異質數據
習題
第4章多傳感分布檢測
4.1Neyman—Pearson公式
4.1.1並行拓撲結構
4.1.2串行拓撲結構
4.2Bayes公式
4.2.1並行結構
4.2.2串行拓撲結構
4.2.3更一般的網絡拓撲結構
習題
第5章傳感器管理
5.1傳感器管理的定義
5.2數據融合系統中的傳感器管理
5.3傳感器管理的內容
5.4傳感器管理的結構
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條件概率
7.2.2概率乘法規則
7.2.3全概率公式
7.2.4Bayes概率
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經典集合之間的關系與運算
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模糊關系
8.3.3模糊關系的定義
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粗糙集與不精確范疇
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應用
習題
第10章MonteCarlo理論
10.1MonteCarlo基本理論
10.1.1概述
10,1.2MonteCarlo方法
10.2Markov—ChainMonteCarlo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DempsterShafer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后驗估計
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交互式多模型算法
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迭代擴展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
第四部分多源數據融合應用
網路書店
類別
折扣
價格
-
新書87折$308