目录
译者序
前言
引言
第1章多传感器数据融合
11面临的挑战
12存在的问题
121数据诠释与建模
122可靠性处理
123知识传播
124模糊数据匹配
125信源组合
126决策
13解决方案
131有用理论的综述
132流程架构
14多传感器数据融合定位
141问题的特殊性
142多传感器数据融合的应用
第2章引用形式体系
21概率
22模糊集
23可能性理论
24可信度函数理论
241基本函数
242一些特别有用的情况
243调节/失调
244细化/粗化
第3章集合管理与信息传播
31模糊集：不精确性的传播
32概率和可能性：针对不确定性的同样方法
33可信度函数：传播的总体视图
331一个通用运算：扩展
332具有最小特异性的质量分布函数的阐述
333扩展运算的直接利用
34应用实例：随时间推移的知识更新
第4章信息可靠性管理
41能度视图
42可信度函数的剔除
43可靠性综合处理
44信源的有效性域管理
45多光谱图像像素融合的应用
46评估问题的构想
第5章信源组合
51概率：即用的解决方案，贝叶斯推理
52模糊集：公理理解
53可能性理论：基本原理的简易途径
54可信度函数理论：传统方法
55组合的一般方法：任何集合和逻辑
56冲突管理
57回到Zadeh悖论
第6章数据建模
61信号特性
62概率：即刻考虑
63可信度函数：一个开放式的总体框架
631整合数据到融合过程
632普遍问题：Cij值的建模
633采用随机学习的建模测量
634采用模糊学习的建模测量
635可信度函数模型的概述
64可能性：一种类似的方法
65应用于分类的教学范例
第7章分类：信源多样性的决策利用
71决策：选择最可能的假想
72决策：确定最可能的假想集
73决策运算的性能：一些实际的例子
74信源多样性的利用：二元比较的整合
75信源多样性的利用：基于不同但交叠集的分类
76属性多样性的利用：机载图像数据融合的应用示例
第8章空间维度：数据联合
81数据联合：多传感器数据融合不可避免的多样性问题
82数据联合的普遍方法构建
83方法实施的简例
第9章时间维度：跟踪
91跟踪：开发多传感器数据融合的优点
92贝叶斯滤波器的表示
921统计门控
922更新
923预测
93信号判别过程
931每个分解单元级别的融合
932确认门控级别的融合
933辨别方法实际实施的概述
94基础MSF的扩展
941数据联合
942多目标的联合跟踪
943多模型滤波
95应用实例
951提取能力
952陌生特征的处理
953空间模糊观察的跟踪
结论
参考文献