目錄
前言
第1章多傳感器數(shù)據(jù)融合概述
1.1多傳感器數(shù)據(jù)融合基本描述
1.2多傳感器數(shù)據(jù)融合的基本原理描述
1.3數(shù)據(jù)融合技術(shù)的應(yīng)用領(lǐng)域
1.3.1數(shù)據(jù)融合技術(shù)在機(jī)器人領(lǐng)域的應(yīng)用
1.3.2數(shù)據(jù)融合技術(shù)在圖像處理領(lǐng)域的應(yīng)用
1.4數(shù)據(jù)融合研究的國內(nèi)外現(xiàn)狀簡介
1.5本書主要內(nèi)容
參考文獻(xiàn)
習(xí)題與思考
第2章數(shù)據(jù)融合結(jié)構(gòu)與算法概論
2.1多傳感器的數(shù)據(jù)融合架構(gòu)
2.1.1集中式融合結(jié)構(gòu)
2.1.2分布式融合結(jié)構(gòu)
2.1.3混合式融合結(jié)構(gòu)
2.2多傳感器系統(tǒng)的多層次融合分析
2.2.1多層集中式的數(shù)據(jù)融合結(jié)構(gòu)
2.2.2多層分布式的數(shù)據(jù)融合結(jié)構(gòu)
2.2.3多層混合式的數(shù)據(jù)融合結(jié)構(gòu)
2.3多傳感器數(shù)據(jù)融合中的卡爾曼濾波理論
2.3.1卡爾曼濾波簡介
2.3.2序貫式卡爾曼濾波融合算法
2.4本章小結(jié)
參考文獻(xiàn)
習(xí)題與思考
第3章貝葉斯推理方法
3.1貝葉斯法則及其應(yīng)用
3.2貝葉斯網(wǎng)絡(luò)
3.2.1貝葉斯網(wǎng)絡(luò)的數(shù)學(xué)模型
3.2.2貝葉斯網(wǎng)絡(luò)中的有向分離
3.2.3貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)
3.3貝葉斯網(wǎng)絡(luò)推理計算應(yīng)用實例
3.4本章小結(jié)
參考文獻(xiàn)
習(xí)題與思考
第4章證據(jù)理論算法與數(shù)據(jù)融合
4.1DS算法概述
4.2DS算法的理論體系
4.2.1識別框架
4.2.2支持度、似然度、不確定區(qū)間
4.2.3Dempster合成規(guī)則
4.3證據(jù)理論與貝葉斯判決理論的比較
4.4證據(jù)理論在圖像融合中的應(yīng)用舉例
4.4.1基本概率賦值的獲取
4.4.2學(xué)生端坐狀態(tài)實驗
4.4.3學(xué)生左顧右盼狀態(tài)實驗
4.4.4學(xué)生埋頭狀態(tài)實驗
4.4.5復(fù)雜狀態(tài)實驗1
4.4.6復(fù)雜狀態(tài)實驗2
4.4.7與基于貝葉斯方法的行為分析與推理決策的比較
4.5本章小結(jié)
參考文獻(xiàn)
習(xí)題與思考
第5章模糊理論及其在數(shù)據(jù)融合中的應(yīng)用
5.1概述
5.2模糊控制器的組成及其基本原理
5.2.1模糊控制器組成
5.2.2模糊計算原理
5.3一種球桿系統(tǒng)模糊控制器的設(shè)計與仿真
5.3.1球桿系統(tǒng)模糊控制器設(shè)計步驟
5.3.2球桿系統(tǒng)模糊控制器設(shè)計
5.3.3球桿系統(tǒng)模糊控制器仿真
5.3.4球桿系統(tǒng)模糊控制器改進(jìn)與仿真
5.4多傳感器模糊融合推理
5.5本章小結(jié)
參考文獻(xiàn)
習(xí)題與思考
第6章人工神經(jīng)網(wǎng)絡(luò)與數(shù)據(jù)融合方法
6.1人工神經(jīng)網(wǎng)絡(luò)簡介
6.2BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與原理
6.2.1BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
6.2.2BP神經(jīng)網(wǎng)絡(luò)算法的數(shù)學(xué)表達(dá)
6.3BP神經(jīng)網(wǎng)絡(luò)與多傳感器數(shù)據(jù)融合算法
6.4Hopfield神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用
6.4.1Hopfield神經(jīng)網(wǎng)絡(luò)原理
6.4.2基于Hopfield神經(jīng)網(wǎng)絡(luò)的路徑優(yōu)化
6.5本章小結(jié)
參考文獻(xiàn)
習(xí)題與思考
第7章遺傳算法及其在數(shù)據(jù)融合中的應(yīng)用
7.1遺傳算法簡介
7.2遺傳算法的基本操作
7.2.1選擇
7.2.2交叉
7.2.3變異
7.3遺傳算法的實現(xiàn)與應(yīng)用舉例
7.3.1求函數(shù)y=x2在區(qū)間［0,31］范圍內(nèi)的最大值
7.3.2一種基于多參數(shù)融合適應(yīng)度函數(shù)的遺傳算法
7.3.3遺傳算法在空中目標(biāo)航跡關(guān)聯(lián)融合中的應(yīng)用
7.4本章小結(jié)
參考文獻(xiàn)
習(xí)題與思考
第8章粒子群算法及其在數(shù)據(jù)融合中的應(yīng)用
8.1粒子群算法介紹
8.2基于動態(tài)權(quán)值的粒子群算法在多傳感器數(shù)據(jù)融合中的應(yīng)用
8.3一種自適應(yīng)模型集的交互多模型輔助粒子濾波算法
8.3.1機(jī)動目標(biāo)跟蹤模型介紹
8.3.2交互多模型輔助粒子濾波算法
8.3.3算法特點分析
8.4本章小結(jié)
參考文獻(xiàn)
習(xí)題與思考
第9章智能視頻監(jiān)控系統(tǒng)的數(shù)據(jù)融合算法
9.1智能視頻監(jiān)控系統(tǒng)介紹
9.2多傳感器圖像融合方法
9.2.1基于多分辨率像素融合
9.2.2HOG算法介紹
9.2.3HOG特征融合
9.3基于HOG特征融合的人體檢測
9.3.1視覺激活度
9.3.2融合梯度方向直方圖
9.4運動目標(biāo)的視頻檢測與跟蹤算法
9.4.1多個運動目標(biāo)的跟蹤問題描述
9.4.2運動目標(biāo)跟蹤中的多特征數(shù)據(jù)融合方法
9.4.3分塊多特征融合的多目標(biāo)跟蹤
9.5本章小結(jié)
參考文獻(xiàn)
習(xí)題與思考
第10章深度學(xué)習(xí)及其在數(shù)據(jù)融合中的應(yīng)用
10.1引言
10.2卷積神經(jīng)網(wǎng)絡(luò)
10.2.1卷積操作
10.2.2池化操作
10.2.3空洞卷積
10.2.4非線性激活函數(shù)
10.2.5反向傳播算法
10.2.6卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程
10.2.7深度學(xué)習(xí)開發(fā)框架
10.3長短期記憶網(wǎng)絡(luò)
10.3.1遺忘門
10.3.2輸入門
10.3.3輸出門
10.4生成對抗網(wǎng)絡(luò)
10.4.1簡介
10.4.2生成對抗網(wǎng)絡(luò)的優(yōu)化目標(biāo)函數(shù)
10.4.3生成對抗網(wǎng)絡(luò)對目標(biāo)函數(shù)的優(yōu)化
10.4.4一些經(jīng)典的生成對抗網(wǎng)絡(luò)模型
10.5深度學(xué)習(xí)在多傳感器數(shù)據(jù)融合中的應(yīng)用
10.5.1文本情感分析中的多特征數(shù)據(jù)融合方法
10.5.2圖像融合中的多特征數(shù)據(jù)融合方法
10.6本章小結(jié)
參考文獻(xiàn)
習(xí)題與思考
第11章多傳感器數(shù)據(jù)融合機(jī)器人平臺的設(shè)計與實現(xiàn)
11.1多傳感器數(shù)據(jù)融合機(jī)器人平臺的軟件設(shè)計
11.1.1機(jī)器人操作系統(tǒng)簡介
11.1.2基于ROS的機(jī)器人軟件設(shè)計方法
11.2多傳感器數(shù)據(jù)融合機(jī)器人平臺的硬件設(shè)計
11.2.1總體硬件方案
11.2.2關(guān)鍵硬件設(shè)備選型
11.3基于機(jī)器人平臺的多傳感器數(shù)據(jù)融合研究
11.4本章小結(jié)
參考文獻(xiàn)
習(xí)題與思考