編輯推薦:

內(nèi)容簡介:　　《多源信息融合（第2版）/信號與信息處理叢書》包括多源信息融合的基本概念以及多源信息融合理論賴以發(fā)展的基礎(chǔ)理論，如統(tǒng)計推斷與估計理論基礎(chǔ)、智能計算與識別理論基礎(chǔ)等；還包括目標(biāo)跟蹤理論、檢測融合、估計融合、數(shù)據(jù)關(guān)聯(lián)、異步信息融合和異類信息融合；也包括圖像融合特別是遙感圖像融合，智能交通中的信息融合，以及態(tài)勢評估與威脅估計等內(nèi)容。
　　《多源信息融合（第2版）/信號與信息處理叢書》的特點是理論體系完整，材料取舍適當(dāng)，適合從事多源信息融合理論研究和工程應(yīng)用的專業(yè)技術(shù)人員參考，也可作為大學(xué)本科高年級學(xué)生、研究生特別是博士研究生的參考讀物。

作者簡介:

目錄:第1章 緒論
1．1 多源信息融合的一般概念與定義
1．1．1 定義
1．1．2 多源信息融合的優(yōu)勢
1．1．3 應(yīng)用領(lǐng)域
1．2 信息融合系統(tǒng)的模型和結(jié)構(gòu)
1．2．1 功能模型
1．2．2 信息融合的級別
1．2．3 通用處理結(jié)構(gòu)
1．3 多源信息融合主要技術(shù)和方法
1．4 信息融合要解決的幾個關(guān)鍵問題
1．5 發(fā)展起源、現(xiàn)狀與未來
參考文獻(xiàn)

第2章 統(tǒng)計推斷與估計理論基礎(chǔ)
2．1 點估計理論基礎(chǔ)
2．1．1 一般概念
2．1．2 Bayes點估計理論
2．1．3 BLUE估計
2．1．4 WLS估計
2．1．5 ML估計
2．1．6 PC估計
2．1．7 RLS估計與LMS估計
2．2 期望極大化（EM）方法
2．2．1 概述
2．2．2 EM算法描述
2．2．3 混合Gauss參數(shù)估計的EM算法實例
2．3 線性動態(tài)系統(tǒng)的濾波理論與算法
2．3．1 離散時間線性系統(tǒng)狀態(tài)估計問題的一般描述
2．3．2 基本Ka1man濾波器
2．3．3 信息濾波器
2．3．4 噪聲相關(guān)的Kalman濾波器
2．4 非線性動態(tài)系統(tǒng)的濾波理論與算法
2．4．1 擴(kuò)展Kalman濾波器（EKF）
2．4．2 UKF濾波
2．4．3 Bayes濾波
2．5 基于隨機(jī)抽樣的過程估計理論與算法
2．5．1 傳統(tǒng)Bayes估計面臨的挑戰(zhàn)與解決的新思路
2．5．2 MonteCarlo仿真的隨機(jī)抽樣
2．5．3 Markov Chain Monte Carlo抽樣
2．5．4 粒子濾波的一般方法
2．6 混合系統(tǒng)狀態(tài)估計理論
2．6．1 一般描述
2．6．2 多模型方法簡述
2．6．3 定結(jié)構(gòu)多模型估計
2．6．4 交互式多模型算法
2．6．5 變結(jié)構(gòu)多模型（VSMM）算法概述
2．7 小結(jié)
參考文獻(xiàn)

第3章 智能計算與識別理論基礎(chǔ)
3．1 概述
3．1．1 模式識別的一般概念
3．1．2 智能學(xué)習(xí)與統(tǒng)計模式識別
3．2 粗糙集理論基礎(chǔ)
3．2．1 信息系統(tǒng)的一般概念
3．2．2 決策系統(tǒng)的不可分辨性
3．2．3 集合近似
3．2．4 屬性約簡
3．2．5 粗糙隸屬度
3．2．6 廣義粗集
3．3 證據(jù)理論基礎(chǔ)
3．3．1 概述
3．3．2 mass函數(shù)、信度函數(shù)與似真度函數(shù)
3．3．3 Dempster-Shafer合成公式
3．3．4 證據(jù)推理
3．3．5 證據(jù)理論中的不確定度指標(biāo)
3．3．6 證據(jù)理論存在的主要問題與發(fā)展
3．4 隨機(jī)集理論基礎(chǔ)
3．4．1 一般概念
3．4．2 概率模型
3．4．3 隨機(jī)集的mass函數(shù)模型
3．4．4 隨機(jī)集與模糊集的轉(zhuǎn)換
3．5 隨機(jī)有限集概略
3．5．1 概述
3．5．2 隨機(jī)有限集的概念
3．5．3 隨機(jī)有限集的統(tǒng)計
3．5．4 隨機(jī)有限集的Bayes濾波
3．6 統(tǒng)計學(xué)習(xí)理論與支持向量機(jī)基礎(chǔ)
3．6．1 統(tǒng)計學(xué)習(xí)理論的一般概念
3．6．2 學(xué)習(xí)機(jī)的VC維與風(fēng)險界
3．6．3 線性支持向量機(jī)
3．6．4 非線性支持向量機(jī)
3．6．5 用于孤立點發(fā)現(xiàn)的One-class SVM算法
3．6．6 最小二乘支持向量機(jī)
3．6．7 模糊支持向量機(jī)
3．6．8 小波支持向量機(jī)
3．6．9 核主成分分析
3．7．Bayes網(wǎng)絡(luò)基礎(chǔ)
3．7．1 Bayes網(wǎng)絡(luò)的一般概念
3．7．2 獨立性假設(shè)
3．7．3 一致性概率
3．7．4 ：Bayes網(wǎng)絡(luò)推斷
3．8 小結(jié)
參考文獻(xiàn)

第4章 目標(biāo)跟蹤
4．1 基本概念與原理
4．2 跟蹤門
4．2．1 濾波殘差
4．2．2 矩形跟蹤門
4．2．3 橢球跟蹤門
4．2．4 其他跟蹤門
4．3 目標(biāo)運動模型
4．3．1 機(jī)動目標(biāo)跟蹤的數(shù)學(xué)模型
4．3．2 非機(jī)動目標(biāo)動態(tài)模型
4．3．3 坐標(biāo)不耦合的目標(biāo)機(jī)動模型
4．3．4 二維水平運動模型
4．3．5 三維模型
4．4 量測模型
4．4．1 傳感器坐標(biāo)模型
4．4．2 在各種坐標(biāo)系中的跟蹤
4．4．3 混合坐標(biāo)系的線性化模型
4．4．4 笛卡兒坐標(biāo)系下的模型
4．5 雷達(dá)量測轉(zhuǎn)換
4．5．1 二維去偏量測轉(zhuǎn)換
4．5．2 三維去偏量測轉(zhuǎn)換
4．5．3 無偏量測轉(zhuǎn)換
4．5．4 修正的無偏量測轉(zhuǎn)換
4．6 基于雷達(dá)量測和BLUE準(zhǔn)則的目標(biāo)跟蹤
4．6．1 基于BLUE準(zhǔn)則的二維量測轉(zhuǎn)換
4．6．2 基于BLUE準(zhǔn)則的三維量測轉(zhuǎn)換
4．7 帶Doppler量測的雷達(dá)目標(biāo)跟蹤
4．7．1 極坐標(biāo)系中帶Doppler量測的雷達(dá)目標(biāo)跟蹤
4．7．2 球坐標(biāo)系中帶Doppler量測的雷達(dá)目標(biāo)跟蹤
4．8 時間與空間配準(zhǔn)
4．8．1 問題描述
4．8．2 時間配準(zhǔn)算法
4．8．3 常用坐標(biāo)系
4．8．4 坐標(biāo)轉(zhuǎn)換
4．8．5 空間配準(zhǔn)算法概述
4．8．6 二維空間配準(zhǔn)算法
4．8．7 精確極大似然空間配準(zhǔn)算法
4．8．8 基于地心坐標(biāo)系的空間配準(zhǔn)算法
4．9 基于隨機(jī)有限集的多目標(biāo)跟蹤概述
4．9．1 RFS目標(biāo)運動和量測模型
4．9．2 概率假設(shè)密度（PHD）濾波器
4．9．3 基數(shù)概率假設(shè)密度（CPHD）濾波器
4．9．4 Gaussian-Mixture PHD（GM-PHD）濾波器
4．1 0小結(jié)
參考文獻(xiàn)

第5章 檢測融合
5．1 概論
5．2 并行結(jié)構(gòu)融合系統(tǒng)的最優(yōu)分布式檢測融合算法
5．2．1 系統(tǒng)描述
5．2．2 最優(yōu)分布式檢測的必要條件
……

第6章 估計融合
第7章 數(shù)據(jù)關(guān)聯(lián)
第8章 異步融合
第9章 圖像融合
第10章 異類融合
第11章 智能交通與信息融合
第12章 態(tài)勢評估和威脅估計

參考文獻(xiàn)