第1章 多传感器数据融合

1.1 概述

1.2 多传感器的优点

1.3 军事方面的应用

1.4 非军事方面的应用

1.5 三个处理体系结构

1.6 数据融合的处理模型

1.7 技术发展水平的评估

参考文献

第2章 JDL数据融合模型

2.1 概述

2.2 数据融合的概念

2.2.1 数据融合的作用

2.2.2 数据融合的定义

2.3 模型和体系结构

2.3.1 数据融合的“级别”

2.3.2 关联和评估

2.3.3 背景灵敏度和态势

2.3.4 属性和关系功能

2.3.4.1 关系的类型

2.3.4.2 属性和关系的推理实例

2.3.4.3 关于级别的小结

2.4 超越物理的状态

2.5 同其他模型的比较

2.5.1 Dasarathy的功能模型

2.5.2 彼得沃尔斯和奥布赖思对模型和Omnibus的比较

2.6 总结

参考文献

第3章 多目标跟踪的数据关联算法概述

3.1 概述

3.1.1 跟踪

3.1.2 最近相邻

3.1.3 跟踪分离和多假设

3.1.4 门通

3.1.5 二分查找法和kd树

3.2 三叉树

3.3 优先KD-树

3.3.1 结果的应用

3.4 结论

参考文献

第4章 图像和空间数据融合的原则与实践

4.1 概述

4.2 图像和空间数据相组合的目的

4.3 图像和空间数据融合的定义

4.4 数据融合中的三个典型组合级别

4.4.1 像素级融合

4.4.2 特征级融合

4.4.3 决策级别的融合

4.4.4 多级别融合

4.5 改善影像数据的图像数据融合

4.5.1 多分辨率影像

4.5.2 动态图像

4.5.3 三维图像

4.6 空间数据融合的应用

4.6.1 空间数据融合

4.6.2 绘图、制表和几何学（MC＆G）的应用

4.7 总结

参考文献

第5章 数据配准

5.1 引言

5.2 配准问题

5.3 对当今研究的回顾

5.4 使用元启发的方法进行配准

5.5 基于小波的距离图像的配准

5.6 配准的辅助和预处理过程

5.7 结论

第6章 数据融合自动化：自顶向下的剖析方法

6.1 概述

6.1.1 生物学融合

6.1.2 指挥和控制

6.1.3 拼板的隐喻

6.1.4 证据的组合

6.1.5 信息需求

6.1.6 问题的维数

6.1.7 等量数据和不等量数据

6.2 生物学上的激励融合过程的模型

6.3 融合过程模型的扩展

6.3.1 短期、中期和长期的知识

6.3.2 融合类

6.3.3 融合分类和正规问题解决方案的形式

6.3.3.1 较低顺序的正规形式

6.3.3.2 高级顺序的正规形式

6.3.3.3 较高顺序正规形式的特性

6.4 观察

6.4.1 观察1

6.4.2 观察2

6.4.3 观察3

6.4.4 观察4

6.4.5 观察5

第7章 组合证据的对比法

7.1 概述

7.2 可供组合证据选择的方法

7.2.1 概率论方法

7.2.1.1 显而易见的悖论和直觉失误

7.2.1.2 观察过程和随机变量

7.2.1.3 贝叶斯定理

7.2.1.4 贝叶斯优化的数据融合

7.2.1.5 探索晶格结构

7.2.2 可能性理论的方法

7.2.3 信念理论的方法

7.2.4 组合证据的方法

7.2.4.1 如何开始

7.2.4.2 收到第一份报告

7.2.4.3 收到第二份报告

7.2.4.4 不一致的证据

7.3 数据融合系统的一个例子

7.3.1 系统环境

7.3.1.1 战场的智能准备

7.3.1.2 初始估计

7.3.2 空间集合

7.3.2.1 动机

7.3.2.2 基于组件的执行

7.3.2.3 组件例子

7.3.3 运行的系统

7.3.3.1 概率系统回应

7.3.3.2 信任系统回应

7.3.4 总结

7.4 对照和结论

附录7.A 概率的公理定义

参考文献

第8章 基于概率数据关联技术的目标跟踪

8.1 引言

8.2 概率数据关联

8.2.1 假设

8.2.2 PDAF方法

8.2.3 测量验证

8.2.4 状态估计

8.2.5 状态和协方差校正

8.2.6 预测方程

8.2.7 概率数据关联

8.2.8 参数化PDA

8.2.9 无参数PDA

8.3 使用带有特征的ML-PDA方法的微弱可观察TMA

8.3.1 振幅信息特性

8.3.2 目标模型

8.3.3 结合PDA的最大似然估计器——ML-PDA

8.3.4 估计的Cramér-Rao下限

8.3.5 总结

8.4 跟踪机动目标的IMMPDAF

8.4.1 坐标选择

8.4.2 跟踪构成

8.4.3 轨迹维护

8.4.3.1 概率数据关联

8.4.3.2 结合PDA技术的IMM评估器

8.4.3.3 IMM评估器中的模型

8.4.4 轨迹终止

8.4.5 仿真结果

8.5 跟踪低可见（LO）目标的灵活窗口ML-PDA评估器

8.5.1 场景

8.5.2 ML-PDA评估器公式

8.5.2.1 目标模型

8.5.2.2 最大似然概率数据关联评估器

8.5.3 适应性ML-PDA

8.5.4 总结

8.5.4.1 评估结果

8.5.4.2 计算负载

8.6 总结

参考文献

第9章 优化和逼近数据关联的组合

9.1 序言

9.2 背景

9.3 大多数可能的分配

9.4 优化方法

9.5 计算时要考虑的因子

9.6 JAM的有效计算

9.7 自然的秩逼近

9.8 基于秩不等式的逼近

9.9 不同方法的比较

9.10 大规模的实际关联

9.11 概括

9.12 总结

附录9.A 数据关联试验的算法

参考文献

第10章 一种多目标跟踪的贝叶斯方法

10.1 引言

10.1.1 贝叶斯方法的定义

10.1.2 与卡尔曼滤波的关系

10.2 单目标跟踪问题的贝叶斯公式

10.2.1 贝叶斯滤波

10.2.2 问题定义

10.2.2.1 目标状态空间

10.2.2.2 先验信息

10.2.2.3 传感器

10.2.2.4 似然函数

10.2.2.5 后验分布

10.2.3 计算后验分布

10.2.3.1 递归方法

10.2.3.2 单目标递归

10.2.4 似然函数

10.2.4.1 方位线加上探测似然函数

10.2.4.2 使用似然函数组合信息

10.3 无接触或关联的多目标跟踪（联合跟踪）

10.3.1 多目标运动模型

10.3.2 多目标似然函数

10.3.3 后验分布

10.3.4 联合跟踪递归

10.3.4.1 无接触或关联的多目标跟踪

10.3.4.2 联合跟踪递归假设的总结

10.4 多假设跟踪（MHT）

10.4.1 接触，扫描和关联假设

10.4.1.1 接触

10.4.1.2 扫描

10.4.1.3 数据关联假设

10.4.1.4 扫描关联假设

10.4.2 扫描和数据关联似然函数

10.4.2.1 扫描关联似然函数

10.4.2.2 数据关联似然函数

10.4.3 一般多假设跟踪

10.4.3.1 条件目标分布

10.4.3.2 关联概率

10.4.3.3 一般MHT递归

10.4.3.4 一般MHT递归假设的总结

10.4.4 独立多假设跟踪

10.4.4.1 有条件地独立的扫描关联似然函数

10.4.4.2 独立MHT递归

10.5 联合跟踪与MHT和其他跟踪方法的关系

10.5.1 一般MHT是联合跟踪的一个特殊情形

10.5.2 联合跟踪与其他多目标跟踪算法的关系

10.5.3 联合跟踪的评判

10.6 似然比探测和跟踪

10.6.1 基本定义和关系

10.6.1.1 似然比

10.6.1.2 测量似然比

10.6.2 似然比递归

10.6.2.1 简化的递归

10.6.3 对数似然比

10.6.4 声明目标存在

10.6.4.1 最小化贝叶斯风险

10.6.4.2 在一个给定的信任级的目标声明

10.6.4.3 关于声明的Neyman-Pearson规则

10.6.5 探测前跟踪

参考文献

第11章 实施数据融合的系统工程方法

11.1 范围

11.2 数据融合的体系结构

11.2.1 在信息处理系统中数据融合的作用

11.2.2 开放式系统环境

11.2.3 层次化设计

11.2.4 基于范例的体系结构

11.3 数据融合系统工程的过程

11.3.1 数据融合过程的方法学

11.3.2 系统工程的过程

11.3.2.1 数据融合和资源管理

11.3.2.2 资源管理的功能模型

11.3.2.3 作为资源管理问题的系统工程

11.3.2.4 数据融合系统工程

11.3.2.5 自适应信息的获取和融合

11.3.2.6 经调整的数据融合和资源管理

11.4 融合系统作用的优化

11.4.1 融合系统的需求分析

11.4.1.1 系统需求的定义

11.4.1.2 融合系统功能作用的开发

11.4.1.3 对系统效果和性能的评估

11.4.2 融合系统树的优化

11.4.2.1 融合树的需求分析

11.4.2.2 融合树的设计

11.4.2.3 融合树评估

11.4.3 融合树节点优化

11.4.3.1 融合节点需求分析

11.4.3.2 融合节点的设计

11.4.3.3 融合节点的性能评估

11.4.4 详细设计和开发

参考文献