本書知識點明確、結(jié)構緊湊、思路清晰，通過理論與實例結(jié)合的方式，深入淺出地介紹了多傳感器數(shù)據(jù)智能融合的理論與應用技術。
全書共11章，包括多傳感器數(shù)據(jù)融合概述、數(shù)據(jù)融合結(jié)構與算法概論、貝葉斯推理方法、證據(jù)理論算法與數(shù)據(jù)融合、模糊理論及其在數(shù)據(jù)融合中的應用、人工神經(jīng)網(wǎng)絡與數(shù)據(jù)融合算法、遺傳算法及其在數(shù)據(jù)融合中的應用、粒子群算法及其在數(shù)據(jù)融合中的應用、智能視頻監(jiān)控系統(tǒng)的數(shù)據(jù)融合算法、深度學習及其在數(shù)據(jù)融合中的應用、多傳感器數(shù)據(jù)融合機器人平臺的設計與實現(xiàn)。每個章節(jié)中都配有必要的實例，目的在于讓讀者結(jié)合實例更加快捷地掌握多傳感器數(shù)據(jù)智能融合方法的設計與實現(xiàn)。
本書面向大專院校與科研機構中學習多傳感器數(shù)據(jù)智能融合理論的中、高級用戶，以及對該理論有一定基礎的工程技術人員，旨在幫助讀者快速掌握智能數(shù)據(jù)融合算法設計與實現(xiàn)的技巧和方法，強調(diào)對高年級大學生、研究生的實踐能力培養(yǎng)。
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)融合技術的應用領域
1.3.1數(shù)據(jù)融合技術在機器人領域的應用
1.3.2數(shù)據(jù)融合技術在圖像處理領域的應用
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
習題與思考
第2章數(shù)據(jù)融合結(jié)構與算法概論
2.1多傳感器的數(shù)據(jù)融合架構
2.1.1集中式融合結(jié)構
2.1.2分布式融合結(jié)構
2.1.3混合式融合結(jié)構
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
2.2.2多層分布式的數(shù)據(jù)融合結(jié)構
2.2.3多層混合式的數(shù)據(jù)融合結(jié)構
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
習題與思考
第3章貝葉斯推理方法
3.1貝葉斯法則及其應用
3.2貝葉斯網(wǎng)絡
3.2.1貝葉斯網(wǎng)絡的數(shù)學模型
3.2.2貝葉斯網(wǎng)絡中的有向分離
3.2.3貝葉斯網(wǎng)絡的結(jié)構學習
3.3貝葉斯網(wǎng)絡推理計算應用實例
3.4本章小結(jié)
參考文獻
習題與思考
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用舉例
4.4.1基本概率賦值的獲取
4.4.2學生端坐狀態(tài)實驗
4.4.3學生左顧右盼狀態(tài)實驗
4.4.4學生埋頭狀態(tài)實驗
4.4.5復雜狀態(tài)實驗1
4.4.6復雜狀態(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
習題與思考
第5章模糊理論及其在數(shù)據(jù)融合中的應用
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)模糊控制器的設計與仿真
5.3.1球桿系統(tǒng)模糊控制器設計步驟
5.3.2球桿系統(tǒng)模糊控制器設計
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
習題與思考
第6章人工神經(jīng)網(wǎng)絡與數(shù)據(jù)融合方法
6.1人工神經(jīng)網(wǎng)絡簡介
6.2BP神經(jīng)網(wǎng)絡的結(jié)構與原理
6.2.1BP神經(jīng)網(wǎng)絡的結(jié)構
6.2.2BP神經(jīng)網(wǎng)絡算法的數(shù)學表達
6.3BP神經(jīng)網(wǎng)絡與多傳感器數(shù)據(jù)融合算法
6.4Hopfield神經(jīng)網(wǎng)絡原理及應用
6.4.1Hopfield神經(jīng)網(wǎng)絡原理
6.4.2基于Hopfield神經(jīng)網(wǎng)絡的路徑優(yōu)化
6.5本章小結(jié)
參考文獻
習題與思考
第7章遺傳算法及其在數(shù)據(jù)融合中的應用
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)融合適應度函數(shù)的遺傳算法
7.3.3遺傳算法在空中目標航跡關聯(lián)融合中的應用
7.4本章小結(jié)
參考文獻
習題與思考
第8章粒子群算法及其在數(shù)據(jù)融合中的應用
8.1粒子群算法介紹
8.2基于動態(tài)權值的粒子群算法在多傳感器數(shù)據(jù)融合中的應用
8.3一種自適應模型集的交互多模型輔助粒子濾波算法
8.3.1機動目標跟蹤模型介紹
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
習題與思考
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運動目標的視頻檢測與跟蹤算法
9.4.1多個運動目標的跟蹤問題描述
9.4.2運動目標跟蹤中的多特征數(shù)據(jù)融合方法
9.4.3分塊多特征融合的多目標跟蹤
9.5本章小結(jié)
參考文獻
習題與思考
第10章深度學習及其在數(shù)據(jù)融合中的應用
10.1引言
10.2卷積神經(jīng)網(wǎng)絡
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)絡的發(fā)展歷程
10.2.7深度學習開發(fā)框架
10.3長短期記憶網(wǎng)絡
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
10.4.1簡介
10.4.2生成對抗網(wǎng)絡的優(yōu)化目標函數(shù)
10.4.3生成對抗網(wǎng)絡對目標函數(shù)的優(yōu)化
10.4.4一些經(jīng)典的生成對抗網(wǎng)絡模型
10.5深度學習在多傳感器數(shù)據(jù)融合中的應用
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
習題與思考
第11章多傳感器數(shù)據(jù)融合機器人平臺的設計與實現(xiàn)
11.1多傳感器數(shù)據(jù)融合機器人平臺的軟件設計
11.1.1機器人操作系統(tǒng)簡介
11.1.2基于ROS的機器人軟件設計方法
11.2多傳感器數(shù)據(jù)融合機器人平臺的硬件設計
11.2.1總體硬件方案
11.2.2關鍵硬件設備選型
11.3基于機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
習題與思考
書單推薦
