多源信息融合與應用, 3/e

目 錄

第1章 多源信息融合概述 1
1.1 信息融合的目的和意義 1
1.1.1 信息融合的背景描述 1
1.1.2 信息融合的定義 1
1.1.3 信息融合的性能裨益 2
1.2 信息融合的原理和級別 3
1.2.1 信息融合的基本原理 3
1.2.2 信息融合的級別 3
1.3 信息融合的應用領域 5
1.3.1 信息融合問題分類 5
1.3.2 信息融合在民事上的應用 5
1.3.3 信息融合在軍事上的應用 8
1.4 信息融合研究的歷史與現狀 10
1.4.1 信息融合研究重要節點和事件 10
1.4.2 信息融合主要發展階段 13
1.4.3 信息融合研究主要學術成果 14
1.5 本書的範圍和概貌 16
參考文獻 18
第2章 狀態估計基礎 27
2.1 引言 27
2.2 線性動態系統估計：卡爾曼
濾波器 27
2.2.1 線性動態系統定義 27
2.2.2 卡爾曼濾波器 28
2.2.3 卡爾曼濾波器的推導：從貝葉斯
估計的角度 29
2.2.4 卡爾曼濾波器的初始化 34
2.2.5 卡爾曼濾波器的重要性質 37
2.2.6 卡爾曼濾波器的應用舉例 39
2.3 卡爾曼濾波器的其他等價形式 40
2.3.1 信息濾波器 41
2.3.2 序貫濾波器 41
2.3.3 平方根濾波器 43
2.4 卡爾曼濾波器的近似計算形式 45
2.4.1 穩態濾波器 45
2.4.2 運動模型的常增益濾波器 46
2.4.3 常增益濾波器應用舉例 50
2.5 非理想條件下的卡爾曼濾波器 51
2.5.1 有色過程噪聲的卡爾曼濾波器 51
2.5.2 有色量測噪聲的卡爾曼濾波器 51
2.5.3 過程噪聲和量測噪聲相關的
卡爾曼濾波器 53
2.5.4 量測延遲的卡爾曼濾波器 54
2.6 非線性系統的狀態估計 55
2.6.1 擴展卡爾曼濾波器 56
2.6.2 疊代擴展卡爾曼濾波器 60
2.6.3 不敏卡爾曼濾波器 61
2.6.4 粒子濾波器 64
2.6.5 量測轉換卡爾曼濾波器 69
2.6.6 線性化濾波的誤差補償技術 72
2.7 小結 73
參考文獻 74
第3章 不確定性推理方法 78
3.1 引言 78
3.2 主觀Bayes方法 78
3.2.1 知識不確定性的描述 78
3.2.2 證據不確定性的描述 81
3.2.3 多個證據的組合 81
3.2.4 主觀Bayes方法的推理過程 82
3.2.5 主觀Bayes方法的應用舉例 82
3.2.6 主觀Bayes方法的優缺點 82
3.3 證據理論 83
3.3.1 DS理論 83
3.3.2 DSm理論 88
3.4 模糊集理論 96
3.4.1 基礎模型 96
3.4.2 模糊綜合評判 99
3.4.3 模糊集理論的應用舉例 101
3.4.4 證據理論向模糊集合的推廣 101
3.5 粗糙集理論 103
3.5.1 理論基礎 103
3.5.2 在信息融合中的應用 105
3.5.3 粗糙集理論的應用舉例 106
3.6 小結 106
參考文獻 107
第4章 多源信息融合功能和結構
模型 110
4.1 信息融合的功能模型 110
4.1.1 信息融合的三級功能模型 110
4.1.2 信息融合的四級功能模型 110
4.1.3 信息融合的五級功能模型 111
4.1.4 信息融合的六級功能模型 111
4.1.5 信息融合的七級功能模型 112
4.2 信息融合系統的結構模型 115
4.2.1 檢測級融合結構 115
4.2.2 位置級融合結構 116
4.2.3 圖像級融合結構 121
4.2.4 識別級融合結構 123
4.3 信息融合典型應用舉例 124
4.3.1 機器人 124
4.3.2 入侵檢測系統 125
4.3.3 智能制造 125
4.3.4 衛星遙感 126
4.3.5 決策中心戰 126
4.4 小結 127
參考文獻 127
第5章 分布式檢測與融合 131
5.1 引言 131
5.2 融合中心的全局判決規則設計 132
5.2.1 硬判決下的全局判決規則 132
5.2.2 軟判決下的全局判決規則 134
5.2.3 帶直接觀測的全局判決規則 135
5.2.4 異步判決下的全局判決規則 135
5.2.5 對抗式全局判決規則 136
5.3 並行結構下的分布式檢測系統
設計 138
5.3.1 局部判決與全局判決規則
的一般解 139
5.3.2 條件相互獨立情況下的特殊解 140
5.3.3 條件獨立同分布情況下的
特殊解 141
5.3.4 應用舉例 142
5.4 串行結構下的分布式檢測
系統設計 143
5.4.1 兩個傳感器的串行結構網絡 143
5.4.2 多個傳感器的串行結構網絡 144
5.4.3 應用舉例 145
5.5 帶反饋的分布式檢測系統設計 148
5.5.1 有融合中心的帶反饋分布式
檢測系統 148
5.5.2 去中心化的帶反饋分布式
檢測系統 152
5.6 分布式CFAR檢測 153
5.6.1 經典的分布式CFAR檢測方法 154
5.6.2 稀疏信號的分布式CFAR檢測 157
5.7 本章小結 161
參考文獻 162
第6章 集中式多傳感器綜合跟蹤
算法 165
6.1 引言 165
6.2 多傳感器聯合概率數據關聯算法 166
6.2.1 數據關聯的概念 166
6.2.2 單傳感器聯合概率數據關聯
算法 166
6.2.3 多傳感器聯合概率數據關聯
算法 174
6.3 多傳感器多目標跟蹤的廣義S-維
分配算法 178
6.3.1 多傳感器多目標跟蹤的廣義3-維
分配算法 179
6.3.2 多傳感器多目標跟蹤的廣義S-維
分配算法 182
6.4 多傳感器多假設數據關聯算法 188
6.4.1 多假設跟蹤算法的基本模型 188
6.4.2 多傳感器多假設跟蹤算法 190
6.5 多傳感器交互多模型跟蹤算法 192
6.6 多傳感器隨機有限集融合跟蹤
算法 195
6.6.1 隨機有限集基礎 195
6.6.2 單傳感器帶勢概率假設密度
濾波器 199
6.6.3 多傳感器帶勢概率假設密度
濾波器 204
6.7 綜合跟蹤算法性能分析 208
6.7.1 仿真模型 208
6.7.2 仿真結果 210
6.7.3 分析與討論 213
6.8 小結 215
參考文獻 216
第7章 分布式多源信息融合中的航跡
關聯算法 219
7.1 引言 219
7.2 序貫航跡關聯算法 219
7.2.1 加權航跡關聯算法 220
7.2.2 修正航跡關聯算法 221
7.2.3 獨立序貫航跡關聯算法 221
7.2.4 相關序貫航跡關聯算法 223
7.2.5 航跡關聯質量設計與多義性
處理 223
7.2.6 航跡關聯性能度量與算法流程 224
7.2.7 廣義經典分配航跡關聯算法 224
7.2.8 有限和衰減記憶航跡關聯準則 226
7.3 雙門限航跡關聯算法 227
7.3.1 統計雙門限航跡關聯算法 228
7.3.2 模糊雙門限航跡關聯算法 231
7.4 修正的K近鄰域航跡關聯算法 235
7.4.1 最近鄰域航跡關聯算法 235
7.4.2 K近鄰域航跡關聯算法 237
7.4.3 修正的K近鄰域航跡關聯算法 237
7.5 基於模糊綜合的航跡關聯算法 241
7.5.1 基於模糊綜合函數的航跡
關聯算法 241
7.5.2 多因素模糊綜合決策航跡
關聯算法 244
7.6 多局部節點航跡關聯算法 247
7.6.1 多局部節點統計航跡關聯算法 247
7.6.2 多局部節點模糊航跡關聯算法 251
7.7 航跡關聯算法性能分析 254
7.7.1 實驗條件 254
7.7.2 兩個局部節點實驗結果及分析 256
7.7.3 多局部節點實驗結果及分析 258
7.7.4 算法綜合性能評價 259
7.8 應用舉例 263
7.8.1 空管自動化系統 263
7.8.2 岸基雷達網綜合監控系統 265
7.9 小結 266
參考文獻 267
第8章 多源信息融合中的狀態估計 271
8.1 引言 271
8.2 狀態估計中的數學模型 271
8.3 集中式信息融合中的狀態估計 272
8.3.1 擴維濾波 272
8.3.2 序貫濾波 273
8.3.3 數據壓縮濾波 274
8.3.4 應用舉例 275
8.4 分布式信息融合中的狀態估計 276
8.4.1 簡單凸組合融合估計 277
8.4.2 最大似然概率融合估計 278
8.4.3 信息去相關融合估計 281
8.4.4 協方差交叉融合估計 284
8.4.5 應用舉例 287
8.5 多級式信息融合中的狀態估計 289
8.5.1 集?分式多級式系統中的
狀態估計 289
8.5.2 分?分式多級式系統中的
狀態估計 291
8.6 混合式信息融合中的狀態估計 293
8.6.1 兩層混合式融合結構 293
8.6.2 三層混合式融合結構 295
8.6.3 應用舉例 296
8.7 帶反饋信息的融合估計 298
8.7.1 帶反饋信息的分布式
融合估計 298
8.7.2 帶反饋信息的多級式
融合估計 300
8.8 小結 302
參考文獻 303
第9章 異類傳感器的數據融合 308
9.1 引言 308
9.2 基於最近鄰的異類傳感器
航跡關聯 309
9.2.1 問題描述 309
9.2.2 基於角度量測的異類傳感器
航跡關聯 310
9.2.3 性能分析 310
9.3 基於統計理論的異類傳感器
航跡關聯 312
9.3.1 航跡關聯判別函數 312
9.3.2 關聯判決規則 312
9.3.3 航跡關聯決策門限的確定 313
9.4 基於模糊綜合分析的異類傳感器
航跡關聯 317
9.4.1 基於模糊綜合分析的關聯
判別函數 317
9.4.2 關聯決策規則 318
9.4.3 關聯決策門限的確定 319
9.4.4 實際應用舉例 321
9.5 基於動態信息的異類傳感器
航跡抗差關聯 323
9.5.1 目標動態信息估計與系統
偏差的影響 323
9.5.2 基於分級聚類的航跡抗差
關聯方法 326
9.5.3 基於CPD的航跡抗差
關聯方法 327
9.5.4 實際應用舉例 329
9.6 基於最優數據壓縮的異類
傳感器融合跟蹤 330
9.6.1 最優數據壓縮 330
9.6.2 融合跟蹤 332
9.6.3 實際應用舉例 334
9.7 基於MSPDAF的異類傳感器
融合跟蹤 334
9.8 基於IMM-MSPDAF的異類
傳感器融合跟蹤 338
9.8.1 方法描述 338
9.8.2 實際應用舉例 343
9.9 小結 344
參考文獻 345
第10章 圖像融合 348
10.1 引言 348
10.2 圖像融合基礎 350
10.2.1 圖像融合的一般要求 350
10.2.2 圖像融合的架構與分類 350
10.2.3 圖像融合預處理與配準 350
10.2.4 圖像融合的應用 351
10.3 像素級圖像融合方法及應用 352
10.3.1 算術與排序法 352
10.3.2 小波變換法 354
10.3.3 稀疏表達法 356
10.3.4 深度學習法 361
10.3.5 像素級圖像融合的應用 363
10.4 特征級圖像融合方法及應用 367
10.4.1 聯合概率法 368
10.4.2 深層卷積神經網絡 369
10.4.3 Transformer網絡 372
10.4.4 特征級圖像融合的應用 374
10.5 決策級圖像融合方法及應用 376
10.5.1 過半票決法 377
10.5.2 模糊集法 378
10.5.3 DS證據推理法 379
10.5.4 決策級圖像融合的應用 380
10.6 多源動態圖像融合方法及應用 382
10.6.1 多傳感器動態圖像融合系統 382
10.6.2 基於目標檢測的多源動態
圖像融合法 384
10.6.3 多源圖像動態融合的應用 388
10.7 圖像融合效果評價及其應用 390
10.7.1 融合圖像質量的主觀評價 391
10.7.2 融合圖像質量的客觀評價 391
10.7.3 融合圖像解譯結果的客觀
評價 396
10.7.4 圖像融合效果評價的應用 397
10.8 小結 400
參考文獻 400
第11章 多源目標識別融合 405
11.1 引言 405
11.2 基於最大後驗概率的目標
識別融合 406
11.2.1 目標識別的判決規則 406
11.2.2 實際應用舉例 407
11.3 基於模糊綜合的目標識別
融合 408
11.3.1 目標識別決策模型 408
11.3.2 各信源時域遞歸的目標識別
融合 409
11.3.3 信源域的目標識別空間融合 409
11.3.4 實際應用舉例 410
11.4 基於DST的目標識別融合 411
11.4.1 互不相容數據結構的遞歸目標
識別融合 411
11.4.2 相容數據結構的目標識別
時空融合 412
11.4.3 基本概率賦值（質量函數）
的獲取 414
11.4.4 實際應用舉例 417
11.5 基於DSmT的目標識別融合 418
11.5.1 DSmT的融合過程 418
11.5.2 遞歸目標識別融合 419
11.5.3 實際應用舉例 420
11.6 綜合性目標識別融合 423
11.6.1 基於DST與DSmT目標識別
融合方法 423
11.6.2 基於DST與IFS的目標識別
融合方法 426
11.7 小結 430
參考文獻 431
第12章 多源融合導航 434
12.1 引言 434
12.2 導航分類與傳感器 434
12.2.1 導航分類 434
12.2.2 傳感器簡介 435
12.2.3 常用坐標系 435
12.2.4 坐標系轉換 436
12.3 導航方法 437
12.3.1 慣性導航 437
12.3.2 衛星導航 444
12.3.3 光學導航 448
12.3.4 脈沖星導航 453
12.3.5 討論 457
12.4 INS與衛星融合導航 459
12.4.1 INS與衛星組合導航系統簡介 460
12.4.2 INS與衛星組合導航算法 460
12.4.3 INS與衛星組合導航實驗 463
12.4.4 討論 464
12.5 光學與脈沖星融合導航 465
12.5.1 光學與脈沖星組合導航
系統簡介 465
12.5.2 光學與脈沖星組合導航算法 465
12.5.3 光學與脈沖星組合導航實驗 466
12.5.4 討論 467
12.6 INS、測距測速/光學融合導航 468
12.6.1 INS與光學組合導航 468
12.6.2 INS與測距測速組合導航 469
12.6.3 仿真舉例 470
12.6.4 討論 472
12.7 小結 472
參考文獻 473
第13章 無線傳感器網絡融合 476
13.1 引言 476
13.2 無線傳感器網絡結構和特點 477
13.3 無線傳感器網絡信息融合模式 481
13.3.1 多模式傳感器數據管理 482
13.3.2 多模式感知數據解釋 482
13.3.3 應用系統的開發和部署 482
13.3.4 多模式融合方法 483
13.4 壓縮傳感下的分布式檢測和
估計 485
13.4.1 壓縮傳感的背景 485
13.4.2 壓縮檢測 486
13.4.3 壓縮參數估計 492
13.5 監聽環境下的無線傳感器網絡安全估計 496
13.5.1 具有安全約束的估計 497
13.5.2 具有保密中斷的約束估計 499
13.6 不可靠數據源的魯棒融合 504
13.6.1 分布式推理網絡 504
13.6.2 數據融合的糾錯輸出碼 504
13.6.3 並行網絡中的推理 505
13.6.4 樹狀網絡中的推理 507
13.7 無線傳感器網絡中的決策融合
規則 510
13.7.1 系統模型 510
13.7.2 融合規則 510
13.7.3 混合數據和決策融合 511
13.7.4 最優決策融合 512
13.8 小結 514
參考文獻 514
第14章 智能信息融合 518
14.1 引言 518
14.2 典型機器學習算法 519
14.2.1 聚類模型 519
14.2.2 支持向量機 520
14.2.3 決策樹模型 521
14.2.4 深度神經網絡 522
14.3 機器學習在信息融合中的應用 529
14.3.1 機器學習在網絡安全態勢評估中
的應用 531
14.3.2 機器學習在交通威脅估計中的
應用 533
14.4 智能視頻監控網絡 537
14.4.1 智能視頻監控網絡中的任務 538
14.4.2 智能視頻監控系統的設計
實例 543
14.5 深度學習在無線傳感器網絡中
的應用 546
14.5.1 機器學習在地震監測任務中的
應用 546
14.5.2 機器學習在地質解釋任務中
的應用 549
14.5.3 其他無線傳感器領域智能融合
應用 552
14.6 小結 553
參考文獻 553
第15章 回顧、建議與展望 558
15.1 引言 558
15.2 研究成果回顧 558
15.2.1 多源信息融合的功能和結構
模型 558
15.2.2 分布式檢測與融合 559
15.2.3 集中式多傳感器綜合跟蹤 559
15.2.4 分布式多源信息融合中的航跡
關聯 559
15.2.5 多源信息融合中的狀態估計 559
15.2.6 異類傳感器的數據融合 560
15.2.7 圖像融合 560
15.2.8 多源目標識別融合 560
15.2.9 多源融合導航和無線傳感器網絡
融合 561
15.2.10 智能信息融合 561
15.3 問題與建議 561
15.3.1 融合性能在線評估與優化問題 561
15.3.2 集中式多傳感器航跡起始問題 562
15.3.3 多約束條件下的多源狀態估計
問題 562
15.3.4 系統誤差條件下的多源航跡
關聯問題 562
15.3.5 特征/屬性信息輔助多源融合跟蹤
問題 562
15.3.6 可解釋融合問題 563
15.3.7 多視圖融合問題 563
15.3.8 人機融合問題 563
15.4 研究方向展望 563
15.4.1 理論方法方面 563
15.4.2 工程應用方面 566
參考文獻 567
縮略語 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