多源信息融合, 3/e

韓崇昭、朱洪艷、段戰勝

  • 出版商: 清華大學
  • 出版日期: 2022-01-01
  • 售價: $954
  • 貴賓價: 9.5$906
  • 語言: 簡體中文
  • 頁數: 668
  • 裝訂: 平裝
  • ISBN: 7302579830
  • ISBN-13: 9787302579830
  • 相關分類: 大數據 Big-data
  • 立即出貨 (庫存=1)

  • 多源信息融合, 3/e-preview-1
  • 多源信息融合, 3/e-preview-2
  • 多源信息融合, 3/e-preview-3
多源信息融合, 3/e-preview-1

買這商品的人也買了...

商品描述

本專著介紹了多源信息融合的基本概念以及多源信息融合理論賴以發展的基礎理論,如統計推斷 與估計理論基礎、智能計算與識別理論基礎等;還介紹了目標跟蹤理論、檢測融合、估計融合、數據關 聯、異步信息融合和異類信息融合;也介紹了圖像融合特別是遙感圖像融合,智能交通中的信息融合, 以及態勢評估與威脅估計等內容。此外,本專著對大數據時代信息融合新的發展做了修訂和補充。 本專著的特點是理論體系完整,材料取捨適當,適合從事多源信息融合理論研究和工程應用的專 業技術人員參考,也可作為大學本科高年級學生、研究生特別是博士研究生的參考讀物。

作者簡介

韓崇昭:  男,陝西省乾縣人,1943年生。 1968年畢業於西安交通大學後入某兵工廠工作十年,於1981年進入研究生院學習,獲我國首批頒發的碩士學位後返回西安交通大學工作至今。 1990年破格晉升教授,1993年被學位辦批准為博士生導師,2013年以二級教授身份休。曾赴英國倫敦城市大學和奧地利維也納技術大學進行合作研究,次以訪問教授身份赴美國新奧爾良大學從事信息融合的合作研究。曾任中國自動化學會理事、《自動化學報》編委等。曾任陝西省人民政府參事、總裝備部“導航、定位與測控技術專業組”專家等。長期從事多傳感信息融合及決策理論與決策支持系統等方向的研究,曾獲得國家基金及973項目的資助;曾擔任某國防973項目的首席科學家。在國內外重要期刊或會議發表論文400多篇(2017年獲得國際信息融合學會頒發的論文貢獻證書),出版著作7本,獲省部級以上科研成果獎7項、優秀教材獎1項;2011年,以“基於異構信息融合的非線性動態系統估計技術及應用”成果一獲獎人的身份獲得國家科技進步二等獎。曾獲得“楊嘉墀科技一等獎”。 2013年,被評為“科學中國人(2013)年度人物”。

目錄大綱

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多源信息融合的優勢
1.1.3應用領域
1.2信息融合系統的模型和結構
1.2.1功能模型
1.2.2信息融合的級別
1.2.3通用處理結構
1.3多源信息融合主要技術和方法
1.4信息融合要解決的幾個關鍵問題
1.5發展起源、現狀與未來
1.5.1信息融合發展的起源與現狀
1.5.2信息融合的未來發展
1.5.3大數據時代對信息融合的挑戰
1.6小結
參考文獻

2章統計推斷與估計理論基礎
2.1點估計理論基礎
2.1.1一般概念
2.1.2Bayes點估計理論
2.1.3BLUE估計
2.1.4WLS估計
2.1.5ML估計
2.1.6PC估計
2.1.7RLS估計與LMS估計
2.2期望極大化(EM)方法
2.2.1概述
2.2.2EM算法描述
2.2.3混合Gauss參數估計的EM算法實例
2.3線性動態系統的濾波理論與算
2.3.1離散時間線性系統狀態估計問題的一般描述
2.3.2基本Kalman濾波器
2.3.3信息濾波器
2.3.4噪聲相關的Kalman濾波器
2.4非線性動態系統的濾波理論與算法
2.4.1擴展Kalman濾波器(EKF)
2.4.2UKF濾波
2.4.3Bayes濾波
2.5基於隨機抽樣的過程估計理論與算法
2.5.1傳統Bayes估計面臨的挑戰與解決的新思路
2.5.2Monte Carlo仿真的隨機抽樣
2.5.3Markov Chain Monte Carlo抽樣
2.5.4粒子濾波的一般方法
2.6混合系統狀態估計理論
2.6.1一般描述
2.6.2多模型方法簡述
2.6.3定結構多模型估計
2.6.4交互式多模型算法
2.6.5變結構多模型(VSMM)算法概述
2.7小結
參考文獻

3章智能計算與識別理論基礎
3.1概述
3.1.1模式識別的一般概念
3.1.2智能學習與統計模式識別
3.2粗糙集理論基礎
3.2.1信息系統的一般概念
3.2.2決策系統的不可分辨性
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證據理論基礎
3.3.1概述
3.3.2mass函數、信度函數與似真度函數
3.3.3Dempster公式
3.3.4證據推理
3.3.5證據理論中的不確定度指標
3.3.6證據理論存在的主要問題與發展
3.3.7關於證據函數不確定性的研討
3.4隨機集理論基礎
3.4.1一般概念
3.4.2概率模型
3.4.3隨機集的mass函數模型
3.4.4隨機集與模糊集的轉換
3.5隨機有限集概略
3.5.1概述
3.5.2隨機有限集的概念
3.5.3隨機有限集的統計
3.5.4典型RFS(隨機有限集)分佈函數
3.5.5標籤RFS
3.5.6隨機有限集的Bayes濾波
3.6統計學習理論與支持向量機基礎
3.6.1統計學習理論的一般概念
3.6.2學習機的VC維與風險界
3.6.3線性支持向量機
3.6.4非線性支持向量機
3.6.5用於孤立點發現的Oneclass SVM算法
3.6.6小二乘支持向量機
3.6.7模糊支持向量機
3.6.8小波支持向量機
3.6.9核主成分分析
3.7Bayes網絡基礎
3.7.1Bayes網絡的一般概念
3.7.2獨立性假設
3.7.3一致性概率
3.7.4Bayes網絡推斷
3.8大數據時代的雲計算
3.8.1雲計算的概念
3.8.2雲計算的快速發展
3.8.3雲計算對多源信息融合技術實現的影響
3.9小結
參考文獻

4章目標跟踪
4.1基本概念與原理
4.2跟踪門
4.2.1濾波殘差
4.2.2矩形跟踪門
4.2.3橢球跟踪門
4.2.4其他跟踪門
4.3目標運動模型 
4.3.1機動目標跟踪的數學模型
4.3.2非機動目標動態模型
4.3.3坐標不耦合的目標機動模型
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傳感器坐標模型
4.4.2在各種坐標系中的跟踪
4.4.3混合坐標系的線性化模型
4.4.4笛卡兒坐標系下的模型
4.5雷達量測轉換
4.5.1二維去偏量測轉換
4.5.2三維去偏量測轉換
4.5.3無偏量測轉換
4.5.4修正的無偏量測轉換
4.6基於雷達量測和BLUE準則的目標跟踪
4.6.1基於BLUE準則的二維量測轉換
4.6.2基於BLUE準則的三維量測轉換
4.7帶Doppler量測的雷達目標跟踪
4.7.1極坐標系中帶Doppler量測的雷達目標跟踪
4.7.2球坐標系中帶Doppler量測的雷達目標跟踪
4.8時間配準