多源多目标统计信息融合-预览

章节预览

第一章绪论：对本书主题、信息融合面临的问题，引入FISST(随机集)的原因以及信息融合中随机集研究情况进行了必要的介绍。随后介绍了全书主要内容及章节关系。

第一部分：统一化的单目标多源融合

第二章单目标滤波：单目标跟踪框架下介绍了形式化统计建模和递归贝叶斯非线性滤波器两个基本概念。

第三章通用数据建模：主要讨论不确定性建模，特别是数据中的不确定性建模问题。他是综合数据建模的一个相对非正式、直观的讨论。通过5个例子介绍数据建模的基本方法，以及UGU UGA AGA AGU观测的概念。

第四章基于随机集的不确定性表示。这一章是随机集数据建模方法的核心。主要介绍了模糊逻辑，广义模糊逻辑，DS理论，模糊DS理论，一阶二阶那模糊规则等不确定性建模体系的随机集表示。

第五章UGA观测：

第六章AGA观测：

第七章AGU观测：

第八章广义状态估计：主要讨论另一种数据类型(目标状态估计)的建模问题。包括广义状态估计的基本概念、随机集模型、似然函数、广义状态估计下的后验分布、贝叶斯统一化状态融合以及贝叶斯不变转换等。

第九章有限集观测：介绍常规观测的有限集。

第二部分：统一化的多目标多源融合

第十章传统多目标滤波：回顾了传统多目标跟踪中的一些重要概念：观测航迹关联、单/多假设跟踪、联合概率数据关联(JPDA);之后以问题的形式支出了传统滤波理论的局限性。

第十一章多目标微积分。这一章是FISST方法的数学核心，系统介绍了多目标密度函数、信任质量函数、概率生成泛函这三种非常重要的基本统计描述符，同事介绍了泛函导数和集导数的概念及其运算法则，为第12,13章似然函数和马尔科夫密度的推导以及第三部分近似技术的设计提供了必要的数学基础。

第十二章多目标马尔科夫密度：首先定义了多目标状态空间、多传感器状态空间、多目标多传感器观测空间等基本概念；然后针对“标准”多目标运动模型推到了似然函数的具体表达式，并在传输涨落、状态相关虚警、扩展目标、为分辨目标等条件下对标准型做了适当扩展，得到了相应情形下的似然函数；最后以纯角度传感器和“软”数据聚类为例，介绍了“非标准”模型的建模问题。

第十三章多目标马尔科夫密度：与12章类似重点介绍形式化多目标运动模型及“真实”多目标马尔科夫转移密度函数的构造问题。提出了一种“标准”多目标运动模型，可有效描述目标运动、目标出现、目标衍生及目标消亡等情形。并将该模型扩展应用于扩展目标和未分辨目标。最后以引导-随从（Leader-Follower）协同群目标运动模型为例。13章与12章一起构成所有多源多目标检测、跟踪与分类问题的理论基础。

第十四章多目标贝叶斯滤波器：这一章是本书理论大成，详细的介绍了滤波过程的初始化、预测器、校正器、装填估计及误差估计等步骤，提出了边缘多目标(MaM)和联合多目标(JoM)两个具体的多目标状态估计器；并针对一种特殊情形得到了一种名为JoTT的滤波器，在低信噪比下凝视跟踪系统的目标检测与跟踪中具有重要应用价值。此外本章还介绍了多目标贝叶斯滤波器和目标优先级估计等问题。

第三部分：多目标滤波器的近似方法

第十五章多目标粒子近似：这一章讨论多目标滤波器实现技术讨论。首先描述了与多目标贝叶斯滤波器有关的机损问题，随后介绍了多目标贯序蒙特卡洛（也称为“粒子”）近似。

第十六章多目标矩近似：介绍了多目标一阶矩近似概念及他的两个直接结果：概率假设密度滤波器(PHD)和集势概率假设密度滤波器(CPHD)，同时对应用情况也做了介绍。

第十七章多伯努利近似：主要介绍多目标多伯努利近似这一更为理论化的实现技术。采用该近似后，多目标贝叶斯滤波器中的两个集积分能够以解析形式求解。多伯努利近似与高斯混合技术结合后会产生一种极具潜力易于计算的多目标滤波器。