首页 > 科技 > 电子技术 > 雷达、电子对抗与电磁兼容

多源信息融合与应用（第三版）

作译者：何友等

出版时间：2025-06 千字数：960 版次：01-01 页数：600

开本：16开装帧： I S B N ：9787121504105

换版：

纸质书定价：￥158.0

库存:无

分享到：

共有图书评论0条【查看评论摘要】

看了又看

{{data.bookName}}

￥{{data.price}}

内容简介

前言

上架建议

作者简介

编辑推荐

音视频专区

目    录

第1章  多源信息融合概述	1
1.1  信息融合的目的和意义	1
1.1.1  信息融合的背景描述	1
1.1.2  信息融合的定义	1
1.1.3  信息融合的性能裨益	2
1.2  信息融合的原理和级别	3
1.2.1  信息融合的基本原理	3
1.2.2  信息融合的级别	3
1.3  信息融合的应用领域	5
1.3.1  信息融合问题分类	5
1.3.2  信息融合在民事上的应用	5
1.3.3  信息融合在军事上的应用	8
1.4  信息融合研究的历史与现状	10
1.4.1  信息融合研究重要节点和事件	10
1.4.2  信息融合主要发展阶段	13
1.4.3  信息融合研究主要学术成果	14
1.5  本书的范围和概貌	16
参考文献	18
第2章  状态估计基础	27
2.1  引言	27
2.2  线性动态系统估计：卡尔曼
滤波器	27
2.2.1  线性动态系统定义	27
2.2.2  卡尔曼滤波器	28
2.2.3  卡尔曼滤波器的推导：从贝叶斯
估计的角度	29
2.2.4  卡尔曼滤波器的初始化	34
2.2.5  卡尔曼滤波器的重要性质	37
2.2.6  卡尔曼滤波器的应用举例	39
2.3  卡尔曼滤波器的其他等价形式	40
2.3.1  信息滤波器	41
2.3.2  序贯滤波器	41
2.3.3  平方根滤波器	43
2.4  卡尔曼滤波器的近似计算形式	45
2.4.1  稳态滤波器	45
2.4.2  运动模型的常增益滤波器	46
2.4.3  常增益滤波器应用举例	50
2.5  非理想条件下的卡尔曼滤波器	51
2.5.1  有色过程噪声的卡尔曼滤波器	51
2.5.2  有色量测噪声的卡尔曼滤波器	51
2.5.3  过程噪声和量测噪声相关的
卡尔曼滤波器	53
2.5.4  量测延迟的卡尔曼滤波器	54
2.6  非线性系统的状态估计	55
2.6.1  扩展卡尔曼滤波器	56
2.6.2  迭代扩展卡尔曼滤波器	60
2.6.3  不敏卡尔曼滤波器	61
2.6.4  粒子滤波器	64
2.6.5  量测转换卡尔曼滤波器	69
2.6.6  线性化滤波的误差补偿技术	72
2.7  小结	73
参考文献	74
第3章  不确定性推理方法	78
3.1  引言	78
3.2  主观Bayes方法	78
3.2.1  知识不确定性的描述	78
3.2.2  证据不确定性的描述	81
3.2.3  多个证据的组合	81
3.2.4  主观Bayes方法的推理过程	82
3.2.5  主观Bayes方法的应用举例	82
3.2.6  主观Bayes方法的优缺点	82
3.3  证据理论	83
3.3.1  DS理论	83
3.3.2  DSm理论	88
3.4  模糊集理论	96
3.4.1  基础模型	96
3.4.2  模糊综合评判	99
3.4.3  模糊集理论的应用举例	101
3.4.4  证据理论向模糊集合的推广	101
3.5  粗糙集理论	103
3.5.1  理论基础	103
3.5.2  在信息融合中的应用	105
3.5.3  粗糙集理论的应用举例	106
3.6  小结	106
参考文献	107
第4章  多源信息融合功能和结构
模型	110
4.1  信息融合的功能模型	110
4.1.1  信息融合的三级功能模型	110
4.1.2  信息融合的四级功能模型	110
4.1.3  信息融合的五级功能模型	111
4.1.4  信息融合的六级功能模型	111
4.1.5  信息融合的七级功能模型	112
4.2  信息融合系统的结构模型	115
4.2.1  检测级融合结构	115
4.2.2  位置级融合结构	116
4.2.3  图像级融合结构	121
4.2.4  识别级融合结构	123
4.3  信息融合典型应用举例	124
4.3.1  机器人	124
4.3.2  入侵检测系统	125
4.3.3  智能制造	125
4.3.4  卫星遥感	126
4.3.5  决策中心战	126
4.4  小结	127
参考文献	127
第5章  分布式检测与融合	131
5.1  引言	131
5.2  融合中心的全局判决规则设计	132
5.2.1  硬判决下的全局判决规则	132
5.2.2  软判决下的全局判决规则	134
5.2.3  带直接观测的全局判决规则	135
5.2.4  异步判决下的全局判决规则	135
5.2.5  对抗式全局判决规则	136
5.3  并行结构下的分布式检测系统
设计	138
5.3.1  局部判决与全局判决规则
的一般解	139
5.3.2  条件相互独立情况下的特殊解	140
5.3.3  条件独立同分布情况下的
特殊解	141
5.3.4  应用举例	142
5.4  串行结构下的分布式检测
系统设计	143
5.4.1  两个传感器的串行结构网络	143
5.4.2  多个传感器的串行结构网络	144
5.4.3  应用举例	145
5.5  带反馈的分布式检测系统设计	148
5.5.1  有融合中心的带反馈分布式
检测系统	148
5.5.2  去中心化的带反馈分布式
检测系统	152
5.6  分布式CFAR检测	153
5.6.1  经典的分布式CFAR检测方法	154
5.6.2  稀疏信号的分布式CFAR检测	157
5.7  本章小结	161
参考文献	162
第6章  集中式多传感器综合跟踪
算法	165
6.1  引言	165
6.2  多传感器联合概率数据关联算法	166
6.2.1  数据关联的概念	166
6.2.2  单传感器联合概率数据关联
算法	166
6.2.3  多传感器联合概率数据关联
算法	174
6.3  多传感器多目标跟踪的广义S-维
分配算法	178
6.3.1  多传感器多目标跟踪的广义3-维
分配算法	179
6.3.2  多传感器多目标跟踪的广义S-维
分配算法	182
6.4  多传感器多假设数据关联算法	188
6.4.1  多假设跟踪算法的基本模型	188
6.4.2  多传感器多假设跟踪算法	190
6.5  多传感器交互多模型跟踪算法	192
6.6  多传感器随机有限集融合跟踪
算法	195
6.6.1  随机有限集基础	195
6.6.2  单传感器带势概率假设密度
滤波器	199
6.6.3  多传感器带势概率假设密度
滤波器	204
6.7  综合跟踪算法性能分析	208
6.7.1  仿真模型	208
6.7.2  仿真结果	210
6.7.3  分析与讨论	213
6.8  小结	215
参考文献	216
第7章  分布式多源信息融合中的航迹
关联算法	219
7.1  引言	219
7.2  序贯航迹关联算法	219
7.2.1  加权航迹关联算法	220
7.2.2  修正航迹关联算法	221
7.2.3  独立序贯航迹关联算法	221
7.2.4  相关序贯航迹关联算法	223
7.2.5  航迹关联质量设计与多义性
处理	223
7.2.6  航迹关联性能度量与算法流程	224
7.2.7  广义经典分配航迹关联算法	224
7.2.8  有限和衰减记忆航迹关联准则	226
7.3  双门限航迹关联算法	227
7.3.1  统计双门限航迹关联算法	228
7.3.2  模糊双门限航迹关联算法	231
7.4  修正的K近邻域航迹关联算法	235
7.4.1  最近邻域航迹关联算法	235
7.4.2  K近邻域航迹关联算法	237
7.4.3  修正的K近邻域航迹关联算法	237
7.5  基于模糊综合的航迹关联算法	241
7.5.1  基于模糊综合函数的航迹
关联算法	241
7.5.2  多因素模糊综合决策航迹
关联算法	244
7.6  多局部节点航迹关联算法	247
7.6.1  多局部节点统计航迹关联算法	247
7.6.2  多局部节点模糊航迹关联算法	251
7.7  航迹关联算法性能分析	254
7.7.1  实验条件	254
7.7.2  两个局部节点实验结果及分析	256
7.7.3  多局部节点实验结果及分析	258
7.7.4  算法综合性能评价	259
7.8  应用举例	263
7.8.1  空管自动化系统	263
7.8.2  岸基雷达网综合监控系统	265
7.9  小结	266
参考文献	267
第8章  多源信息融合中的状态估计	271
8.1  引言	271
8.2  状态估计中的数学模型	271
8.3  集中式信息融合中的状态估计	272
8.3.1  扩维滤波	272
8.3.2  序贯滤波	273
8.3.3  数据压缩滤波	274
8.3.4  应用举例	275
8.4  分布式信息融合中的状态估计	276
8.4.1  简单凸组合融合估计	277
8.4.2  最大似然概率融合估计	278
8.4.3  信息去相关融合估计	281
8.4.4  协方差交叉融合估计	284
8.4.5  应用举例	287
8.5  多级式信息融合中的状态估计	289
8.5.1  集?分式多级式系统中的
状态估计	289
8.5.2  分?分式多级式系统中的
状态估计	291
8.6  混合式信息融合中的状态估计	293
8.6.1  两层混合式融合结构	293
8.6.2  三层混合式融合结构	295
8.6.3  应用举例	296
8.7  带反馈信息的融合估计	298
8.7.1  带反馈信息的分布式
融合估计	298
8.7.2  带反馈信息的多级式
融合估计	300
8.8  小结	302
参考文献	303
第9章  异类传感器的数据融合	308
9.1  引言	308
9.2  基于最近邻的异类传感器
航迹关联	309
9.2.1  问题描述	309
9.2.2  基于角度量测的异类传感器
航迹关联	310
9.2.3  性能分析	310
9.3  基于统计理论的异类传感器
航迹关联	312
9.3.1  航迹关联判别函数	312
9.3.2  关联判决规则	312
9.3.3  航迹关联决策门限的确定	313
9.4  基于模糊综合分析的异类传感器
航迹关联	317
9.4.1  基于模糊综合分析的关联
判别函数	317
9.4.2  关联决策规则	318
9.4.3  关联决策门限的确定	319
9.4.4  实际应用举例	321
9.5  基于动态信息的异类传感器
航迹抗差关联	323
9.5.1  目标动态信息估计与系统
偏差的影响	323
9.5.2  基于分级聚类的航迹抗差
关联方法	326
9.5.3  基于CPD的航迹抗差
关联方法	327
9.5.4  实际应用举例	329
9.6  基于最优数据压缩的异类
传感器融合跟踪	330
9.6.1  最优数据压缩	330
9.6.2  融合跟踪	332
9.6.3  实际应用举例	334
9.7  基于MSPDAF的异类传感器
融合跟踪	334
9.8  基于IMM-MSPDAF的异类
传感器融合跟踪	338
9.8.1  方法描述	338
9.8.2  实际应用举例	343
9.9  小结	344
参考文献	345
第10章  图像融合	348
10.1  引言	348
10.2  图像融合基础	350
10.2.1  图像融合的一般要求	350
10.2.2  图像融合的架构与分类	350
10.2.3  图像融合预处理与配准	350
10.2.4  图像融合的应用	351
10.3  像素级图像融合方法及应用	352
10.3.1  算术与排序法	352
10.3.2  小波变换法	354
10.3.3  稀疏表达法	356
10.3.4  深度学习法	361
10.3.5  像素级图像融合的应用	363
10.4  特征级图像融合方法及应用	367
10.4.1  联合概率法	368
10.4.2  深层卷积神经网络	369
10.4.3  Transformer网络	372
10.4.4  特征级图像融合的应用	374
10.5  决策级图像融合方法及应用	376
10.5.1  过半票决法	377
10.5.2  模糊集法	378
10.5.3  DS证据推理法	379
10.5.4  决策级图像融合的应用	380
10.6  多源动态图像融合方法及应用	382
10.6.1  多传感器动态图像融合系统	382
10.6.2  基于目标检测的多源动态
图像融合法	384
10.6.3  多源图像动态融合的应用	388
10.7  图像融合效果评价及其应用	390
10.7.1  融合图像质量的主观评价	391
10.7.2  融合图像质量的客观评价	391
10.7.3  融合图像解译结果的客观
评价	396
10.7.4  图像融合效果评价的应用	397
10.8  小结	400
参考文献	400
第11章  多源目标识别融合	405
11.1  引言	405
11.2  基于最大后验概率的目标
识别融合	406
11.2.1  目标识别的判决规则	406
11.2.2  实际应用举例	407
11.3  基于模糊综合的目标识别
融合	408
11.3.1  目标识别决策模型	408
11.3.2  各信源时域递归的目标识别
融合	409
11.3.3  信源域的目标识别空间融合	409
11.3.4  实际应用举例	410
11.4  基于DST的目标识别融合	411
11.4.1  互不相容数据结构的递归目标
识别融合	411
11.4.2  相容数据结构的目标识别
时空融合	412
11.4.3  基本概率赋值（质量函数）
的获取	414
11.4.4  实际应用举例	417
11.5  基于DSmT的目标识别融合	418
11.5.1  DSmT的融合过程	418
11.5.2  递归目标识别融合	419
11.5.3  实际应用举例	420
11.6  综合性目标识别融合	423
11.6.1  基于DST与DSmT目标识别
融合方法	423
11.6.2  基于DST与IFS的目标识别
融合方法	426
11.7  小结	430
参考文献	431
第12章  多源融合导航	434
12.1  引言	434
12.2  导航分类与传感器	434
12.2.1  导航分类	434
12.2.2  传感器简介	435
12.2.3  常用坐标系	435
12.2.4  坐标系转换	436
12.3  导航方法	437
12.3.1  惯性导航	437
12.3.2  卫星导航	444
12.3.3  光学导航	448
12.3.4  脉冲星导航	453
12.3.5  讨论	457
12.4  INS与卫星融合导航	459
12.4.1  INS与卫星组合导航系统简介	460
12.4.2  INS与卫星组合导航算法	460
12.4.3  INS与卫星组合导航实验	463
12.4.4  讨论	464
12.5  光学与脉冲星融合导航	465
12.5.1  光学与脉冲星组合导航
系统简介	465
12.5.2  光学与脉冲星组合导航算法	465
12.5.3  光学与脉冲星组合导航实验	466
12.5.4  讨论	467
12.6  INS、测距测速/光学融合导航	468
12.6.1  INS与光学组合导航	468
12.6.2  INS与测距测速组合导航	469
12.6.3  仿真举例	470
12.6.4  讨论	472
12.7  小结	472
参考文献	473
第13章  无线传感器网络融合	476
13.1  引言	476
13.2  无线传感器网络结构和特点	477
13.3  无线传感器网络信息融合模式	481
13.3.1  多模式传感器数据管理	482
13.3.2  多模式感知数据解释	482
13.3.3  应用系统的开发和部署	482
13.3.4  多模式融合方法	483
13.4  压缩传感下的分布式检测和
估计	485
13.4.1  压缩传感的背景	485
13.4.2  压缩检测	486
13.4.3  压缩参数估计	492
13.5  监听环境下的无线传感器网络安全估计	496
13.5.1  具有安全约束的估计	497
13.5.2  具有保密中断的约束估计	499
13.6  不可靠数据源的鲁棒融合	504
13.6.1  分布式推理网络	504
13.6.2  数据融合的纠错输出码	504
13.6.3  并行网络中的推理	505
13.6.4  树状网络中的推理	507
13.7  无线传感器网络中的决策融合
规则	510
13.7.1  系统模型	510
13.7.2  融合规则	510
13.7.3  混合数据和决策融合	511
13.7.4  最优决策融合	512
13.8  小结	514
参考文献	514
第14章  智能信息融合	518
14.1  引言	518
14.2  典型机器学习算法	519
14.2.1  聚类模型	519
14.2.2  支持向量机	520
14.2.3  决策树模型	521
14.2.4  深度神经网络	522
14.3  机器学习在信息融合中的应用	529
14.3.1  机器学习在网络安全态势评估中
的应用	531
14.3.2  机器学习在交通威胁估计中的
应用	533
14.4  智能视频监控网络	537
14.4.1  智能视频监控网络中的任务	538
14.4.2  智能视频监控系统的设计
实例	543
14.5  深度学习在无线传感器网络中
的应用	546
14.5.1  机器学习在地震监测任务中的
应用	546
14.5.2  机器学习在地质解释任务中
的应用	549
14.5.3  其他无线传感器领域智能融合
应用	552
14.6  小结	553
参考文献	553
第15章  回顾、建议与展望	558
15.1  引言	558
15.2  研究成果回顾	558
15.2.1  多源信息融合的功能和结构
模型	558
15.2.2  分布式检测与融合	559
15.2.3  集中式多传感器综合跟踪	559
15.2.4  分布式多源信息融合中的航迹
关联	559
15.2.5  多源信息融合中的状态估计	559
15.2.6  异类传感器的数据融合	560
15.2.7  图像融合	560
15.2.8  多源目标识别融合	560
15.2.9  多源融合导航和无线传感器网络
融合	561
15.2.10  智能信息融合	561
15.3  问题与建议	561
15.3.1  融合性能在线评估与优化问题	561
15.3.2  集中式多传感器航迹起始问题	562
15.3.3  多约束条件下的多源状态估计
问题	562
15.3.4  系统误差条件下的多源航迹
关联问题	562
15.3.5  特征/属性信息辅助多源融合跟踪
问题	562
15.3.6  可解释融合问题	563
15.3.7  多视图融合问题	563
15.3.8  人机融合问题	563
15.4  研究方向展望	563
15.4.1  理论方法方面	563
15.4.2  工程应用方面	566
参考文献	567
缩略语	572

Contents

Chapter 1  Overview of Multisource 
Information Fusion	1
1.1  Purpose and Significance of 
Information Fusion	1
1.1.1  Background Description of Information Fusion	1
1.1.2  Definition of Information Fusion	1
1.1.3  Benefits of Information Fusion	2
1.2  Principles of Information Fusion	3
1.2.1  Basic Principles of Information 
Fusion	3
1.2.2  Levels of Information Fusion	3
1.3  Application Fields of Information 
Fusion	5
1.3.1  Classification of Issues	5
1.3.2  Applications in Civil Affairs	5
1.3.3  Applications in Military Affairs	8
1.4  History and Current Situation of 
Information Fusion Research	10
1.4.1  Key Nodes and Events in Information Fusion Research	10
1.4.2  Principal Stages in the Development of Information Fusion Technology	13
1.4.3  Major Academic Achievements in Information Fusion Research	14
1.5  Scope and Overview of This Book	16
References	18
Chapter 2  Foundations of State 
Estimation	27
2.1  Introduction	27
2.2  Estimation for Linear Dynamic Models: 
Kalman Filter	27
2.2.1  Definition of Linear Dynamic 
Models	27
2.2.2  Kalman Filter	28
2.2.3  Kalman Filter Derivation: From the Bayesian Rule	29
2.2.4  Initialization of Kalman Filter	34
2.2.5  Important Properties of Kalman 
Filter	37
2.2.6  A Kalman Filter Example	39
2.3  Equivalent Forms of Kalman Filter	40
2.3.1  Information Filter	41
2.3.2  Sequential Filter	41
2.3.3  Square-Root Filter	43
2.4  Approximations of Kalman Filter	45
2.4.1  Steady-State Filter	45
2.4.2  Constant-Gain Filter for Kinematic Models	46
2.4.3  A Steady-State Filter Example	50
2.5  Extensions of Kalman Filter	51
2.5.1  Colored Process Noise Case	51
2.5.2  Colored Measurement Noise Case	51
2.5.3  Cross-Correlated Measurement and Process Noise Case	53
2.5.4  Systems with Measurement Delay	54
2.6  State Estimation for Nonlinear 
Systems	55
2.6.1  Extended Kalman Filter	56
2.6.2  Iterated Extended Kalman Filter	60
2.6.3  Unscented Kalman Filter	61
2.6.4  Particle Filter	64
2.6.5  Measurement Converted Kalman Filter	69
2.6.6  Bias Compensation for 
Linearization	72
2.7  Summary	73
References	74
Chapter 3  Uncertainty Reasoning 
Methods	78
3.1  Introduction	78
3.2  Subjective Bayes Method	78
3.2.1  Description of Knowledge Uncertainty	78
3.2.2  Description of Evidence 
Uncertainty	81
3.2.3  Combination of Multiple 
Evidences	81
3.2.4  Reasoning Process of Subjective Bayes Method	82
3.2.5  Examples of Subjective Bayes Method Application	82
3.2.6  Advantages and Disadvantages of the Subjective Bayes Approach	82
3.3  Evidence Theory	83
3.3.1  DS Theory	83
3.3.2  DSm Theory	88
3.4  Fuzzy Sets Theory	96
3.4.1  Basic Models	96
3.4.2  Fuzzy Comprehensive Evaluation	99
3.4.3  Examples of Fuzzy Sets Theory Application	101
3.4.4  Extension of Evidence Theory to Fuzzy Sets	101
3.5  Rough Sets Theory	103
3.5.1  Theory Foundation	103
3.5.2  Application in Information Fusion	105
3.5.3  Examples of Rough Sets Theory Application	106
3.6  Summary	106
Reference	107
Chapter 4  Multisource Information 
Fusion Function and 
Structural Models	110
4.1  Functional Models of Information 
Fusion	110
4.1.1  Three Level Functional Model for Information Fusion Systems	110
4.1.2  Four Level Functional Model of Information Fusion System	110
4.1.3  Five Level Functional Model for Information Fusion Systems	111
4.1.4  Six Level Functional Model of Information Fusion System	111
4.1.5  Seven Level Functional Model for Information Fusion Systems	112
4.2  Structural Models of Information 
Fusion System	115
4.2.1  Detection Level Fusion Structure	115
4.2.2  Position Level Fusion Structure	116
4.2.3  Image Level Fusion Structure	121
4.2.4  Identification Level Fusion 
Structure	123
4.3  Typical Application Examples of 
Information Fusion	124
4.3.1  Robot	124
4.3.2  Intrusion Detection System	125
4.3.3  Intelligent Manufacturing	125
4.3.4  Satellite Remote Sensing	126
4.3.5  Decision Centric Warfare	126
4.4  Summary	127
Reference	127
Chapter 5  Distributed Detection and 
Fusion	131
5.1  Introduction	131
5.2  Global Decision Fusion Rule	132
5.2.1  Decision Fusion Rule with Hard Decisions	132
5.2.2  Decision Fusion Rule with Soft Decisions	134
5.2.3  Decision fusion Rule with Direct Observations	135
5.2.4  Decision Fusion Rule with Asynchronous Decisions	135
5.2.5  Adversarial Decision Fusion Rule	136
5.3  Distributed Detection Systems in 
Parallel Networks	138
5.3.1  Local Decision Rules and Global Decision Fusion Rule: the Generalized Solution	139
5.3.2  The Special Solution with Conditional Independence	140
5.3.3  The Special Solution with Conditional Independence and Identical Distributions	141
5.3.4  Practical Examples	142
5.4  Distributed Detection Systems in Serial Networks	143
5.4.1  Serial Networks with Two 
Sensors	143
5.4.2  Serial Networks with Multiple 
Sensors	144
5.4.3  Practical Examples	145
5.5  Distributed Detection Systems with 
Feedback	148
5.5.1  Distributed Detection Systems with Feedback in the Presence of A Fusion Center	148
5.5.2  Distributed Detection Systems with Feedback in the Absence of A Fusion Center	152
5.6  Distributed CFAR Detection	153
5.6.1  Classical Methods of Distributed CFAR Detection	154
5.6.2  Methods of Distributed CFAR Detection for Sparse Signals	157
5.7  Summary	161
Reference	162
Chapter 6  Centralized Multisensor 
Integrated Tracking 
Algorithms	165
6.1  Introduction	165
6.2  Multisensor Joint Probabilistic Data 
Association Algorithm	166
6.2.1  Concept of Data Association	166
6.2.2  Single-Sensor Joint Probabilistic Data Association Algorithm	166
6.2.3  Multisensor Joint Probabilistic Data Association Algorithm	174
6.3  Multisensor Generalized S-D 
Assignment Algorithm	178
6.3.1  Multisensor Generalized 3-D Assignment Algorithm	179
6.3.2  Multisensor Generalized S-D Assignment Algorithm	182
6.4  Multisensor Multiple Hypothesis 
Data Association Algorithm	188
6.4.1  Basic Model of Multiple Hypothesis Tracking	188
6.4.2  Multisensor Multiple Hypothesis Tracking	190
6.5  Multisensor Interactive Multiple Model Tracking Algorithm	192
6.6  Multisensor Random Finite Set 
Tracking Algorithm	195
6.6.1  Foundation of the Random Finite 
Set	195
6.6.2  Single-Sensor Cardinalized Probability Hypothesis Density 
Filter	199
6.6.3  Multisensor Cardinalized Probability Hypothesis Density Filter	204
6.7  Performance Analysis of Integrated 
Tracking Algorithms	208
6.7.1  Simulation Model	208
6.7.2  Simulation Result	210
6.7.3  Discussion	213
6.8  Summary	215
References	216
Chapter 7  Track-Track Correlation 
Algorithm for Distributed Multi-Source Information Fusion	219
7.1  Introduction	219
7.2  Sequential Track Correlation 
Algorithm	219
7.2.1  Weighted Track Correlation 
Algorithm	220
7.2.2  Modified Track Correlation 
Algorithm	221
7.2.3  Independent Sequential Track Correlation Algorithm	221
7.2.4  Dependent Sequential Track Correlation Algorithm	223
7.2.5  Track Correlation Quality Design and Ambiguity Processing	223
7.2.6  Flow of Track Correlation Performance Measurement and Algorithm	224
7.2.7  Generalized Classical Assign Track Correlation Algorithm	224
7.2.8  Finite and Attenuated Memory Track Correlation Criteria	226
7.3  Double Threshold Track Correlation Algorithm	227
7.3.1  Statistical Double Threshold Track Correlation Algorithm	228
7.3.2  Fuzzy Double Threshold Track Correlation Algorithm	231
7.4  Modified K-Nearest Neighbor Track 
Correlation Algorithm	235
7.4.1  Nearest Neighbor Track Correlation Algorithm	235
7.4.2  K Nearest Neighbor Track Correlation Algorithm	237
7.4.3  Modified K Nearest Neighbor Track Correlation Algorithm	237
7.5  Track Correlation Algorithm Based on 
Fuzzy Synthesis	241
7.5.1  Track Correlation Algorithm Based on Fuzzy Synthesis Function	241
7.5.2  Track Correlation Algorithm for Multi-Factor Fuzzy Comprehensive Decision Making	244
7.6  Track Correlation Algorithm in an 
Environment of Multiple Local 
Nodes	247
7.6.1  Statistical Track Correlation Algorithm in an Environment of Multiple Local Nodes	247
7.6.2  Fuzzy Track Correlation Algorithm in an Environment of Multiple Local Nodes	251
7.7  Performance Analysis of Track 
Correlation Algorithms	254
7.7.1  Conditions of Experiment	254
7.7.2  Results and Analysis of Two Local Nodes	256
7.7.3  Results and Analysis of Multiple Local Nodes	258
7.7.4  Comprehensive Performance Evaluation of Algorithms	259
7.8  Application Examples	263
7.8.1  Air Traffic Control Automation System	263
7.8.2  Integrated Monitoring System of Shore-Based Radar Network	265
7.9  Summary	266
References	267
Chapter 8  State estimation for multisource information fusion	271
8.1  Introduction	271
8.2  Signal Model for State 
Estimation	271
8.3  State Estimation for Centralized 
Fusion	272
8.3.1  Augmented Filter	272
8.3.2  Sequential Filter	273
8.3.3  Data compressing Filter	274
8.3.4  A Centralized Fusion Example	275
8.4  State Estimation for Distributed 
Fusion	276
8.4.1  Simple Convex Combination 
Fusion	277
8.4.2  Maximum Likelihood Fusion	278
8.4.3  Information Decorrelation 
Fusion	281
8.4.4  Covariance Intersection Fusion	284
8.4.5  A Distributed Fusion Example	287
8.5  State Estimation for Multi-level 
Fusion	289
8.5.1  Centralized-Distributed Multi-Level Fusion	290
8.5.2  Distributed-Distributed Multi-Level Fusion	291
8.6  State Estimation for Hybrid 
Fusion	293
8.6.1  Two-Level Hybrid Fusion	293
8.6.2  Three-Level Hybrid Fusion	295
8.6.3  A Hybrid Fusion Example	296
8.7  Estimation Fusion with 
Feedback	298
8.7.1  Distributed Fusion with 
Feedback	299
8.7.2  Multi-Level Fusion with 
Feedback	300
8.8  Summary	302
References	303
Chapter 9  Heterogeneous Sensor Data 
Fusion	308
9.1  Introduction	308
9.2  Heterogeneous Sensor Track 
Association Based on Nearest 
Neighbor	309
9.2.1  Problem Description	309
9.2.2  Heterogeneous Sensor Track Association Based on Angle Measurements	310
9.2.3  Performance Analysis	310
9.3  Heterogeneous Sensor Track Association Based on Statistical Theory	312
9.3.1  Track Association Decision 
Function	312
9.3.2  Decision Rule for Track 
Association	312
9.3.3  Determination of the Decision Threshold for Track 
Association	313
9.4  Heterogeneous Sensor Track Association 
Based on Fuzzy Comprehensive 
Analysis	317
9.4.1  Association Decision Function 
Based on Fuzzy Comprehensive Evaluation	317
9.4.2  Association Decision Rule	318
9.4.3  Determination of the Decision Threshold for Association	319
9.4.4  Examples of Practical 
Applications	321
9.5  Heterogeneous Sensor Anti-Bias Track 
Association Based on Dynamic 
Information	322
9.5.1  Target Dynamics Estimation and Effects of Systematic Errors	323
9.5.2  Anti-Bias Track Association Based on Hierarchical Clustering	326
9.5.3  Anti-Bias Track Association Based on CPD	327
9.5.4  Examples of Practical 
Applications	329
9.6  Heterogeneous Sensor Fusion 
Tracking Based on Optimal 
Data Compression	330
9.6.1  Optimal Data Compression	330
9.6.2  Fusion Tracking	332
9.6.3  Examples of Practical Applications
9.7  Heterogeneous Sensor Fusion Tracking Based on MSPDAF	334
9.8  Heterogeneous Sensor Fusion Tracking Based on IMM-MSPDAF	338
9.8.1  Method Description	338
9.8.2  Examples of Practical 
Applications	343
9.9  Summary	344
Reference	345
Chapter 10  Image Fusion	348
10.1  Introduction	348
10.2  Fundamentals of Image Fusion	350
10.2.1  General Requirements of Image 
Fusion	350
10.2.2  Framework and Categories of Image 
Fusion	350
10.2.3  Preprocessing and Registration for 
Image Fusion	350
10.2.4  Applications of Image Fusion	351
10.3  Methods and Applications of Pixel-
Level Image Fusion	352
10.3.1  Arithmetic and Order-Statistic 
Methods	352
10.3.2  Wavelet Transform Methods	354
10.3.3  Sparse Representation 
Methods	356
10.3.4  Deep Learning Methods	361
10.3.5  Applications of Pixel-Level Image 
Fusion	363
10.4  Methods and Applications of Feature-
Level Image Fusion	367
10.4.1  Joint Probability Methods	368
10.4.2  Deep Convolutional Neural Network 
Methods	369
10.4.3  Transformer Network 
Methods	372
10.4.4  Applications of Feature-Level Image 
Fusion	374
10.5  Methods and Applications of 
Decision-Level Image Fusion	376
10.5.1  Majority Vote Methods	377
10.5.2  Fuzzy Set Methods	378
10.5.3  DS Evdence Reasoning 
Methods	379
10.5.4  Applications of Decision-Level 
Image Fusion	380
10.6  Methods and Applications of 
Dynamic Image Fusion	382
10.6.1  Multi-Sensor Dynamic Image Fusion 
Systems	382
10.6.2  Target Detection-Based Dynamic 
Image Fusion Methods	3384
10.6.3  Applications of Dynamic Image 
Fusion	388
10.7  Methods and Applications of Image 
Fusion Quality Evaluation	390
10.7.1  Subjective Evaluation of Image Fusion Quality	391
10.7.2  Objective Evaluation of Image Fusion Quality	391
10.7.3  Evaluation of Image Interpretation Quality after Image Fusion	396
10.7.4  Applications of Image Fusion Quality Evaluation	397
10.8  Summary	400
Reference	400
Chapter 11  Multi Source Target 
Recognition Fusion	405
11.1  Introduction	405
11.2  Target Recognition Fusion Based on 
MAP	406
11.2.1  Decision Rules for Target Recognition	406
11.2.2  Examples of Practical 
Applications	407
11.3  Target Recognition Fusion Based on 
Fuzzy Synthesis	408
11.3.1  Target Recognition Decision 
Model	408
11.3.2  Temporal Recursive Target Recognition Fusion for Multi-Source Data	409
11.3.3  Spatial Fusion of Target Recognition in Source Domain	409
11.3.4  Examples of Practical 
Applications	410
11.4  Target Recognition Fusion Based on 
Dempster-Shafer Theory	411
11.4.1  Recursive Target Recognition 
Fusion with Incompatible Data Structures	411
11.4.2  Temporal-Spatia Fusion of Target Recognition with Compatible Data Structures	412
11.4.3  Acquisition of Basic Probability Assignment (Mass Function)	414
11.4.4  Examples of Practical 
Applications	417
11.5  Target Recognition Fusion Based on 
Dezert-Smarandache Theory	418
11.5.1  Fusion Process in DSmT	418
11.5.2  Recursive Target identification Fusion	419
11.5.3  Examples of Practical 
Applications	420
11.6  Integrated Target Recognition 
Fusion	423
11.6.1  Target Recognition Fusion Method Based on DST and DSmT	423
11.6.2  Target Recognition Fusion Method Based on DST and IFS	426
11.7  Summary	430
References	431
Chapter 12  Multisource Fusion 
Navigation	434
12.1  Introduction	434
12.2  Navigation Classification and 
Sensors	434
12.2.1  Navigation Classification	434
12.2.2  Introduction to Sensors	435
12.2.3  Commonly Used Coordinate Systems	435
12.2.4  Coordinate Transformation	436
12.3  Navigation Methods	437
12.3.1  Inertial Navigation Systems	437
12.3.2  Satellite Navigation Systems	444
12.3.3  Optical Navigation Systems	448
12.3.4  Pulsar Navigation Systems	453
12.3.5  Discussion	457
12.4  INS and Satellite Fusion 
Navigation	459
12.4.1  Overview of INS and Satellite Integrated Navigation Systems	460
12.4.2  INS and Satellite Integrated Navigation Algorithms	460
12.4.3  INS and Satellite Integrated Navigation Experiments	463
12.4.4  Discussion	464
12.5  Optical and Pulsar Fusion 
Navigation	465
12.5.1  Optical and Pulsar Integrated Navigation System Overview	465
12.5.2  Optical and Pulsar Integrated Navigation Algorithms	465
12.5.3  Optical and Pulsar Integrated Navigation Experiments	466
12.5.4  Discussion	467
12.6  INS, Ranging and Speed 
Measurement/Optical Fusion 
Navigation	468
12.6.1  INS and Optical Integrated Navigation	468
12.6.2  INS and Range-Rate Integrated Navigation	469
12.6.3  Simulation Examples	470
12.6.4  Discussion	472
12.7  Summary	472
References	473
Chapter 13  Wireless Sensor Network 
Fusion	476
13.1  Introduction	476
13.2  Wireless Sensor Network 
Architecture and Features	477
13.3  Wireless Sensor Network Information Fusion Model	481
13.3.1  Multimodal Sensor Data Management	482
13.3.2  Multimodal Sensor Data Interpretation	482
13.3.3  Real-World System Development and Deployment	482
13.3.4  Multimodal Fusion 
Methodology	483
13.4  Compressed Distributed Detection 
and Estimation	485
13.4.1  Compressive Sensing: 
Background	485
13.4.2  Compressed Detection	486
13.4.3  Compressed Parameter 
Estimation	492
13.5  Secure Estimation in Wireless Sensor Networks in the Presence of An Eavesdropper	496
13.5.1  Estimation with Security 
Constraints	497
13.5.2  Estimation with Secrecy Outage Constraints	499
13.6  Robust Fusion of Wnreliable Data 
Sources	504
13.6.1  Distributed Inference Network	504
13.6.2  Error-Correcting Output Codes for Data Fusion	504
13.6.3  Inference in Parallel Networks	505
13.6.4  Inference in Tree Networks	507
13.7  Decision Fusion Rules in Wireless 
Sensor Network	510
13.7.1  System Model	510
13.7.2  Fusion Rules	510
13.7.3  Hybird Data and Decision 
Fusion	511
13.7.4  Optimal Decision Fusion	512
13.8  Summary	514
References	514
Chapter 14  Intelligent Information 
Fusion	518
14.1  Introduction	518
14.2  Typical Machine Learning 
Algorithms	519
14.2.1  Clustering Models	519
14.2.2  Support Vector Machines	520
14.2.3  Decision Tree	521
14.2.4  Deep Neural Networks	522
14.3  Applications of machine learning 
in information fusion	529
14.3.1  Applications of Machine Learning 
in Network Security Situation 
Assessment	531
14.3.2  Applications of Machine Learning 
in Traffic Threat Estimation	533
14.4  Intelligent Video Surveillance 
Network	537
14.4.1  Tasks in Intelligent Video
Surveillance Network	538
14.4.2  Design Cases of Intelligent Video 
surveillance system	543
14.5  Applications of Deep Learning in 
Wireless Sensor Networks	546
14.5.1  Applications of Machine Learning in 
Earthquake Monitoring Tasks	546
14.5.2  Applications of Machine Learning to 
Geological Interpretation Tasks	549
14.5.3  Intelligent Fusion Applications in 
Other Wireless Sensor Fields	552
14.6  Summary	553
References	553
Chapter 15  Reviews, Recommendations 
and Prospects	558
15.1  Introduction	558
15.2  Review of Research 
Achievements	558
15.2.1  Functional and Structural Model of Multisource Information 
Fusion	558
15.2.2  Distributed Detection and 
Fusion	559
15.2.3  Centralized Multisensor Integrated 
Tracking	559
15.2.4  Track Correlation in Distributed 
Multisource Information 
Fusion	559
15.2.5  State Estimation in Multisource
Information Fusion	559
15.2.6  Data Fusion of Heterogeneous
Sensors	560
15.2.7  Image Fusion	560
15.2.8  Multisource Target Identification 
Fusion	560
15.2.9  Fusion of Multisource Navigation 
and Wireless Sensor Network	561
15.2.10  Intelligent Information Fusion	561
15.3  Questions and Recommendations	561
15.3.1  Online Fusion Performance Evaluation and Optimization Problem	561
15.3.2  Centralized Multisensor Track 
Initiation Problem	562
15.3.3  Multisource State Estimation 
Problem under Multiple 
Constraints	562
15.3.4  Multisource Track Correlation 
Problem with Systematic Error	562
15.3.5  Feature/Attribute Information Aided 
Multisource Fusion Tracking Problem	562
15.3.6  Explainable Fusion Problem	563
15.3.7  Multi-View Fusion Problem	563
15.3.8  Man-Machine Fusion Problem	563
15.4  Research Direction Outlook	563
15.4.1  Theoretical and Methodological 
Aspects	563
15.4.2  Engineering Application Aspects	566
References	567
Abbreviation	567

前    言
多源信息融合的主要应用包括军事系统、民用监视、遥感、过程控制、信息系统、自动驾驶、机器人、物联网、无线传感器网络、安全保卫、农业、医疗和入侵检测等领域的高级应用，在生物医学/生物工程、工业自动化、航空航天工程、环境工程和联合分析等领域的应用也在不断拓展。
《多传感器信息融合及应用》第2版于2007年出版，入选国家科学技术学术著作出版基金，《信息融合理论及应用》2010年出版，入选国家科学技术学术著作出版基金和“三个一百”原创出版工程。近20年来既是多源感知数据的爆发期，也是多源信息融合、人工智能技术进步的快速发展期。随着新型信息感知设备、信号数据处理算法、计算能力等的巨大进步，信息分析和处理能力也上了一个又一个新台阶，多源信息融合处理理论、算法、应用等都得到了前所未有的创新和发展。这些都使我们感觉到需要对相关内容进行全面的扩展和完善，以适应当前多源信息融合处理的快速发展。本书在上述基础上进行了较大规模的修订，结合最新研究成果补充了新内容，删减、新增等内容的调整约达55%，修订后仍为15章。修订内容概括如下。
（1）新增“第10章 图像融合”，主要讨论像素级、特征级、决策级等图像融合的基本概念和最新发展及常用的、前沿的智能图像融合方法，描述了不同图像融合方法在遥感、医学、安防等领域的典型应用，讨论了新兴的多源动态图像融合方法、评价指标体系及实际应用；新增“第12章 多源融合导航”，主要讨论了以INS、卫星融合导航、光学融合导航和脉冲星融合导航为代表的导航方法，以及INS与卫星、光学与脉冲星、INS与测距测速/光学等融合导航方法，结合典型案例给出了性能分析；新增“第13章 无线传感器网络融合”，主要讨论了无线传感器网络的结构、特点和无线传感器网络融合应用过程中的网络数据压缩、防窃听安全估计、不可靠数据源等典型问题的优化方案，以及网络信息的融合方式与决策规则；新增“第14章 智能信息融合”，主要讨论了以机器学习/深度学习为代表的数据驱动智能技术在信息融合系统中的应用，重点描述了机器学习在信息融合第5级态势评估和第6级威胁估计中的应用案例，以及在视频监控、无线传感器网络中的应用实例。
（2）删除原“第12章 多传感器信息融合中的航迹文件管理”和“第13章 利用属性融合技术识别雷达辐射源”。
（3）合并原“第7章 分布式信息融合中的统计航迹关联算法”和“第8章 分布式信息融合中的模糊与灰色航迹关联算法”，调整为“第7章 分布式多源信息融合中的航迹关联算法”，对合并后的内容进行了大幅调整和重新编排，将部分共性内容的小节调整至同一节，例如在“7.3双门限航迹关联算法”和“7.6多局部节点航迹关联算法”中合并了统计类方法和模糊类关联方法，“7.7航迹关联算法性能分析”基于实测数据重新构建了实验环境，对统计类和模糊类方法分别在两节点和四节点环境中进行统一验证、比较、分析。此外还新增了“7.8节应用举例”。
（4）原第9章进行了全面整合、修订，完善了原“第9章 雷达和ESM数据关联”和原10.6节～10.8节的内容，删除原9.5节“动态和属性信息在雷达和ESM数据关联中的应用”、原“第?10?章 红外传感器目标跟踪及雷达?红外融合跟踪”，增加了“9.5基于动态信息的异类传感器航迹抗差关联”，在算法描述中更新了相关图片，并针对几种核心算法分别新增了面向实际工程环境的应用举例。
（5）其他章节扩展和新增的内容：
第1章突出论述了信息融合七级功能模型，扩展分析了信息融合的主要应用领域，重点总结了近17年信息融合理论方法和应用的发展成果，丰富了信息融合相关技术的背景资料。第2章扩充了2.2节对卡尔曼滤波器的推导和重要性质讨论，新增了2.3节卡尔曼滤波器的三种等价形式、2.5节非理想条件下卡尔曼滤波器的改进形式，在2.6节的非线性滤波理论中补充了不敏卡尔曼滤波器、粒子滤波器和量测转换卡尔曼滤波器等方法，并进一步完善了应用案例。第3章新增了3.2节主观Bayes方法的应用举例及3.3节的Dezert-Smarandache理论（DSmT）、DS和DSmT方法的应用举例，3.4节的模糊集理论，3.5节的粗糙集理论及应用举例。第4章对信息融合功能模型和结构模型进行了扩展描述，即扩展了检测、位置和识别级的结构模型，新增了图像融合的结构模型和无线传感器网络的结构模型，讨论了信息融合在机器人、入侵检测系统、互联网安全、智能制造、卫星遥感、决策中心战等军民领域的应用。第5章新增了5.2.5节的对抗式全局判决规则、5.5.2节的去中心化的带反馈分布式检测系统、5.6.2节的稀疏信号的分布式恒虚警概率检测，描述了前沿研究中提出的分布式稀疏信号检测模型以及对应的检测方法，并在5.7节中讨论了分布式检测领域当前的研究热点，对该领域的发展趋势进行了展望。在第6章6.2节和6.3节补充了多传感器联合概率数据关联算法和多传感器广义S维分配算法的应用实例，原6.4节调整为“多传感器交互多模型跟踪算法”，新增“6.5多传感器多假设数据关联算法”“6.6多传感器随机有限集融合跟踪算法”“6.7综合跟踪算法性能分析”，在新增的6.4节至6.6节中均分别给出了实际应用举例，6.7节构造一个面向工程实际的统一环境对前述的5大类算法进行了系统的分析、比较和评述。第8章的8.3节归纳了集中式融合估计的三种不同形式，8.4节新增了简单凸组合融合估计、最大似然概率融合估计和协方差交叉融合估计方法，讨论了各种分布式融合估计器的发展沿革和最优特性，8.5节和8.6节新增了多级式和混合式融合估计的应用案例和仿真实验以及三层混合式融合结构的讨论，8.7节新增了分布式和多级式融合估计反馈机制的必要性定理，论述了反馈机制对估计性能的实际收益。原“第14章 多传感器目标识别融合模型”修订为“第11章 多源目标识别融合”，删除原“14.5基于黑板模型的多传感器目标识别融合”，增加“11.5基于DSmT的目标识别融合”和“11.6综合性目标识别融合”，更新了“11.4.3基本概率赋值（质量函数）的获取”，重新绘制部分图片并对所有方法增加了面向工程实际的应用举例。第15章回顾、建议与展望也进行了全面、系统性的更新、扩展和完善。
（6）对全书文字进行了通读和修订，使语句表述更加通顺易懂，增强了可读性。
（7）参考文献由最后统一列出修订为各章分别单列，使读者查找相关文献更方便、更快捷，并根据近年来国内外研究成果的最新发展，补充了较多的新近参考文献。
本书由何友、刘瑜、董凯、李耀文、李成蹊、孙顺、王学谦、郭晨、李固冲、丁自然、李徵等共同完成，其中何友参加了全书的修订，并负责顶层设计与构思，指导其他人员对全书大部分章节进行了10次以上的完善，其中有些章节完善了15次；刘瑜负责全书的初步统稿，第1、4章及前言的修订、全书目录和缩略语的核准编排，并指导完成了第2、8、13、14章的修订；董凯负责修订第3、7、15章；李耀文负责修订第2、6、8章；李成蹊负责修订第5章；孙顺负责修订第9章；王学谦负责撰写第10章；郭晨负责修订第11章；李固冲负责撰写第12章；丁自然负责撰写第13章；李徵负责撰写第14章。崔亚奇也参加了个别章节的修订工作。姜智卓、李劭辉、姜乔文等也参与了部分内容的整理、校对、打印等工作。电子科技大学蔡德强教授在文献检索和查询中给予了诸多帮助，在此一并表示衷心的感谢。感谢国家自然科学基金（No. 62388102、62425117、62293540）提供的资助和支持。还要感谢电子工业出版社，特别是曲昕编辑对本书按期高质量出版的大力支持。
希望本书能够给广大从事信息工程、模式识别、过程监视、机器人、智能制造、遥感、交通、物联网、医疗和军事等领域的科技人员提供参考，使其为后续研究打下理论基础。
恳请广大读者能一如既往地关心本书，并提出宝贵的意见和建议。

何  友  刘  瑜  董  凯  李耀文等
2025年4月于          
清华大学、海军航空大学

查看更多 > 图书评论

暂无评论

发表图书评论

评论标题：
评论内容：
验证码：: 看不清楚
点击刷新
: 您还没有登录，请登录后再评论。
点击“登录”

购买过本书的顾客还买过

{{data.bookName}}

￥{{data.price}}