新書推薦：
《
女人的胜利
》
售價：NT$
254.0
《
数据有道：数据分析+图论与网络+微课+Python编程（鸢尾花数学大系：从加减乘除到机器学习）
》
售價：NT$
1214.0
《
500万次倾听：陪伤心的人聊聊
》
售價：NT$
245.0
《
英国商业500年（见证大国崛起与企业兴衰，启迪未来商业智慧。）
》
售價：NT$
367.0
《
万千心理·儿童心理治疗中的心智化：临床实践指导
》
售價：NT$
398.0
《
自我囚禁的人：完美主义的心理成因与自我松绑（破除你对完美主义的迷思，尝试打破自我评价过低与焦虑的恶性循环）
》
售價：NT$
301.0
《
周易
》
售價：NT$
203.0
《
东南亚的传统与发展
》
售價：NT$
306.0
|
| 編輯推薦： |
|
从事指控系统、雷达、电子战等研究的科研人员，以及高等院校相关专业的研究生。
|
| 內容簡介： |
|
《跟踪和传感器数据融合》在**部分提出了一个一致的传感器数据融合的方法学框架，采用贝叶斯框架将目标状态、其随时间演化概率模型和传感器内在特性等组合在一起，从而从存有缺陷的传感器观测和上下文信息中抽取出感兴趣的目标知识。在第二部分，作者结合自身的研究工作，讨论了先进传感器特性、目标特性和地理信息与融合系统集成应用，以及传感器管理等方面的内容。
|
| 目錄：
|
目录
译者序
序
前言
第1章 传感器数据融合的概念和结构1
1.1 主题1
1.1.1 现代发展起源2
1.1.2 通用技术基础2
1.1.3 关于信息系统3
1.2 作为应用科学分支的特征6
1.2.1 传感器数据融合先驱6
1.2.2 研究团体组织9
1.2.3 重要出版平台9
1.3 从不完整数据到态势图10
1.3.1 典型方面讨论10
1.3.2 方法评述12
1.3.3 一个通用的传感器数据融合系统12
1.3.4 融合性能度量14
1.3.5 源于跟踪的态势元素15
1.3.6 异常检测议题精选16
1.4 传感器数据融合的未来展望19
1.4.1 日常生活中的新应用19
1.4.2 发展大趋势讨论20
参考文献21
**部分 传感器数据融合：方法学框架
第2章 目标和传感器特征描述27
2.1 状态量举例27
2.2 目标演化模型28
2.2.1 Van-Keuk演化模型29
2.2.2 交互式多模型29
2.3 传感器似然函数31
2.3.1 高斯似然函数32
2.3.2 多传感器似然性36
2.3.3 歧义数据的似然性40
2.3.4 组合信号增强44
2.3.5 扩展目标似然性45
参考文献46
第3章 贝叶斯知识传播49
3.1 贝叶斯跟踪范例49
3.1.1 特性方面52
3.1.2 近似性点评53
3.1.3 航迹与航迹融合54
3.1.4 航迹起始初探55
3.2 目标状态预测55
3.2.1 卡尔曼预测56
3.2.2 期望波门56
3.2.3 交互多模型预测57
3.3 数据更新：滤波59
3.3.1 卡尔曼滤波59
3.3.2 交互多模型滤波60
3.3.3 多假设跟踪滤波61
3.4 目标状态回溯65
3.4.1 固定间隔平滑66
3.4.2 连续时间回溯67
3.4.3 交互多模型回溯68
3.4.4 多假设跟踪回溯70
3.4.5 一个实例讨论72
参考文献74
第4章 序贯航迹提取78
4.1 良好分离的目标78
4.1.1 序贯似然比检验78
4.1.2 与跟踪相关的特性79
4.1.3 与多假设跟踪的关系80
4.2 群目标81
4.2.1 广义似然比81
4.2.2 关于群的势82
参考文献82
第5章 递归批处理83
5.1 累积目标状态密度83
5.1.1 闭式表达式84
5.1.2 一般性讨论86
5.1.3 失序量测88
5.1.4 范例讨论89
5.2 采用EM求解跟踪问题91
5.2.1 数据增广方法92
5.2.2 期望和**化步骤93
5.2.3 问题讨论96
参考文献96
第6章 航迹与航迹融合98
6.1 全速率通信融合98
6.1.1 Frenkel小航迹99
6.1.2 小航迹融合99
6.2 任意通信速率融合100
6.2.1 高斯乘积密度101
6.2.2 分布式滤波更新102
6.2.3 分布式预测更新103
6.2.4 分布式回溯更新106
6.3 仿真例子讨论108
参考文献112
第二部分 传感器数据融合：应用精选
第7章 传感器高级特性集成115
7.1 有限传感器分辨率115
7.1.1 雷达分辨率模型116
7.1.2 特定分辨率的似然函数118
7.1.3 一个编队跟踪示例121
7.1.4 分辨率：结果小结123
7.2 GMTI雷达：多普勒盲区124
7.2.1 空对地监视125
7.2.2 一种多普勒盲区模型125
7.2.3 GMTI跟踪要点130
7.2.4 GMTI建模效果131
7.3 主瓣干扰135
7.3.1 对干扰机凹槽建模135
7.3.2 可选跟踪滤波器137
7.3.3 仿真结果精选138
7.4 负传感器信息139
7.4.1 一个无处不在的概念139
7.4.2 从例子中得到的经验教训140
参考文献141
第8章 目标高级属性集成143
8.1 MHT跟踪建模历史143
8.1.1 IMM-MHT跟踪144
8.1.2 性能评估145
8.1.3 IMM-MHT：结论152
8.2 扩展目标跟踪153
8.2.1 通用形式154
8.2.2 扩展目标预测156
8.2.3 扩展目标滤波158
8.2.4 扩展目标的运动学特征160
8.2.5 仿真结果161
8.2.6 结果小结165
8.3 跟踪和识别166
参考文献168
第9章 地形信息集成170
9.1 道路地图辅助的目标跟踪170
9.1.1 道路段建模171
9.1.2 道路约束密度172
9.1.3 定量讨论175
9.2 基于目标跟踪的道路地图提取180
9.2.1 实用价值181
9.2.2 道路节点重构181
9.2.3 示例分析182
9.2.4 小结187
9.3 辐射源跟踪188
9.3.1 多路径传播预测188
9.3.2 粒子滤波方法189
9.3.3 小结189
参考文献191
第10章 反馈到探测：传感器管理192
10.1 敏捷波束雷达的信息流程192
10.2 相控阵雷达的传感器建模194
10.2.1 雷达散射截面抖动194
10.2.2 平均接收信噪比195
10.2.3 检测和量测处理196
10.3 贝叶斯跟踪算法回顾197
10.3.1 预测：分配决策基础197
10.3.2 信号强度信息处理198
10.4 自适应贝叶斯传感器管理199
10.4.1 雷达回访时间自适应控制199
10.4.2 雷达发射能量选择200
10.4.3 贝叶斯局部搜索程序200
10.5 数值仿真结果讨论203
10.5.1 仿真剧情讨论203
10.5.2 IMM建模设计要点205
10.5.3 IMM建模增益207
10.5.4 RCS估计质量208
10.5.5 RCS模型失配210
10.5.6 自适应能量管理211
10.6 自适应传感器管理：结果汇总213
参考文献214
附录A216
A.1 缩写词列表216
A.2 符号列表216
A.3 概率密度基础知识218
A.4 分块矩阵求逆公式221
A.5 高斯乘积公式221
A.6 矩匹配近似223
A.7 回溯：依赖性分析224
A.8 高斯累积状态密度225
A.9 克罗内克积的相关知识229
A.10 扩展目标似然性的相关细节230
A.11 矩阵变量密度的相关知识230
参考文献232
彩图
|
| 內容試閱：
|
第1章传感器数据融合的概念和结构
传感器数据融合作为一种无处不在的现象，它的存在要早于人们对它的技术实现或科学认识。事实上，自然界内包括人类的所有生物，从本能或直觉上都在进行传感器数据融合。他们按照各自的方式，将来自不同且互补的感知器官提供的感觉与从之前经历中学到的以及与其他生物体的交流中获得的知识进行组合或“融合”。这样的结果是，他们各自都能对自身的个体环境产生一个“意识图像”，并以此作为恰当行为的依据，来努力避免各种伤害或在一个给定情形下成功实现特定的目标。
1.1主题
作为一项具有显著经济和国防意义的尖端技术，同时也是工程科学和应用信息学的一个分支，现代传感器数据融合的目的是构建对互补片段信息的自动化组合处理能力。由此，传感器融合就会形成一个“态势图”，即一个基础的“真实态势”重建。上述重建可以通过对不完备数据运用高效的数学算法来实现，并采用新的信息源进行增强。这里不仅强调技术上等同于感知器官的先进传感器系统的重要性，还强调由固定或运动平台上搭载的同类或异类传感器组成的空间分布式传感器网络的重要性，以及对存储了大量上下文知识的数据库进行集成的重要性。由于被融合的一组信息源要通过与人类的交互实现闭环，其结果将受人类自身的观测，尤其是专家意见的影响。
被融合的信息可能包含了各种各样的属性、特征，例如，传感器的测量距离可以从小于1米到数百千米，时间范围可从小于1秒到数天，态势可以是近似稳定或快速变化的，参与者的行为可以是合作型也可以是非合作型甚至敌对型的，测量数据可以是高精度量测也可以是质量很差的传感器数据。
产生于这个技术分支的传感器数据融合系统实质上具有“认知工具”的特征，它增强了人类的感知能力，如同传统工具能增强他们的体力一样。在这种交互式辅助系统中，强大的数据自动处理能力（大数据处理、快速计算、大存储、精确性、可靠性、鲁棒性等）能够为相关人员服务。自动化的传感器数据融合实际上能够使人类将其特有的“人性”力量融入其中，如全局判定的定性纠正、专家知识和经验、直觉和创造性，即在可以预见的未来都无法被自动化系统取代的人类“自然智能”。在一个特定的应用中，满足用户需求对实际融合系统的设计具有重大影响。
1.1.1现代发展起源
开发数据融合系统主要是为了应用，在那些特别需要此类系统支持的场景，如时间紧迫或者存在高决策风险的情况，人类的缺陷需要用自动化或交互式数据融合技术来弥补。例如融合工具可以弥补在日常或繁重情形下人类注意力的减弱，可以让人类将注意力集中在异常或特殊事件上，或者弥补人类的有限记忆力、反应和组合能力。融合工具不仅可以通过快速、精确和全面地采用大数据流来减少人类在日常事务或繁重任务中的工作负担，其特色还在于能通过对互补信息源的融合来产生新的、重要的定性知识，不然它们很难被揭示出来。
国防和安全领域的诸多应用迫切需要开发类似的支持系统，如监视、侦察、威胁评估，甚至是武器控制。早期的大量传感器数据融合项目主要设计用于对导弹和低空炸弹的空中防御，并且影响了民用空中交通管制系统的发展。随着足够强大的紧凑型计算机、高频设备和可编程数字信号处理器的问世，以及由时任美国总统的罗纳德?里根在1983年3月23日宣布的“战略防御计划（StrategicDefenseInitiative，SDI）”项目的推出，刺激了现代传感器数据融合技术和潜在的应用科学分支的发展。
在达到逐渐成熟之后，美国国防部的一个咨询部门，实验室理事联合会（JointDirectorsofLaboratories，JDL）于1984年提出了一个技术名词“传感器数据和信息融合”，并首次试图对这项新技术和相关的研究领域进行科学系统化描述[1]。直到今天，科学领域的融合团体仍然经常谈起“信息融合JDL模型”以及其后续的推广和改编版本[1，2]。JDL模型提供了一个在完整功能链上的结构化和集成化视角，该功能链囊括了分布式传感器、数据库，以及用户报告和他们的行为选择，包括各种层级上的反馈环，如图1.1所示。该模型看起来非常有效，即便是在预计将出现大量的民用传感器数据融合和信息安全领域[3]。很显然，在技术上完全可行并在实际应用中稳健地实现之前，传感器数据融合的基本概念已经发展了很长时间。
1.1.2通用技术基础
传感器数据融合系统的现代发展之所以成为可能，主要得益于以下领域在过去几十年间的实质性进步。
（1）技术上等价于感知器官高灵敏度和覆盖度的先进鲁棒传感器系统的出现，打开了大多数生物无法感知的维度空间。
（2）在干扰情形下仍具有足够带宽、小延迟、稳定连接和鲁棒性的通信链路连接，构成同构或异构传感器的空间分布式的骨干网络。
图1.1传感器数据和信息融合JDL模型概貌图[1]
（3）成熟的导航系统既是传感器平台自动（半自动）运行的先决条件，也是建立基于包括相对校正在内的精确空时配准的传感器数据公共参考基准的先决条件。
（4）信息技术不仅能够充分提供处理大规模数据流的能力，而且能够提供高效的数据库技术和数据挖掘方法的快速算法实现。
（5）互操作技术能力，即两个或多个子系统或部件之间的相互作用、交换和信息互助理解的能力，是构建一个针对传感器探测和数据挖掘的分布式体系的必要条件[4]。
（6）人因工程上有效且先进的人机交互（Human-MachineInteraction，HMI）工具作为人机系统的一个集成部分，能通过适当的方式把数据融合系统的处理结果呈现给用户[5]。
通过集成到一个完整的传感器数据融合系统，上述能力的技术潜能得到了很大的提高。
1.1.3关于信息系统
根据现在的技术基础设施，所有层级的人类决策者和自动化决策系统必须能够访问大量的数据。为了在各种各样的决策任务中优化使用这些大量可用的高等级的数据，无论如何，这些连续的数据流一定不能使人类、决策机器或执行器不知所措；正好相反，这些数据必须以某种方式进行融合，使得能在某个恰当的瞬间，将与某个给定态势相关的恰当的高质量信息块，以恰当的形式传递和呈现给恰当的用户或成员。只有当情况正好如此时，这种数据流才能支持目标驱动的决策，同时能够在所有层级的决策行动和实际情形中协调行动计划。
在民用应用中，管理信息系统或数据库系统被设计为能处理大量的信息流。在国防和安全领域对应的系统称为C4ISTAR系统[4]。该首字母缩略词表示计算机辅助的功能：C4（指挥（command）、控制（control）、通信（communication）、计算机（computer））、I（情报（intelligence））和STAR（监视（surveillance）、目标获取和侦察（targetacquisitionandreconnaissance）），目的是能协调国防相关的军事行动。*初使用管理信息系统或数据库系统主要是为了取得经济环境中的竞争优势，与之不同的是，C4ISTAR系统的目的是取得针对潜在军事对手的信息优势。因此，或多或少，两个领域均采用了相同的术语来刻画避免伤害或成功达到目的的努力。这一观察揭示了在国防指挥控制和产品开发与计划的决策过程中，除了在一些特殊方面强调的有所不同之外，存在广泛的基础的共性。
作为C4ISTAR系统的一个基本构成，由传感器系统、数据库以及适当的传感器数据和信息融合子系统形成的组合，被设计成模块化、可伸缩的“系统之系统”。该层级的目标是生成及时、一致，*重要的是足够完整和详细的“态势图像”，并电子化展示一个空中、陆地、海洋或城市环境中的综合和动态演化的整体场景。对于给定的应用，具体的作战需求和限制条件将确定需要考虑的特定信息源和采用的数据融合技术。
一个典型的例子如下。
分布式广泛联合的广域地面监视C4ISTAR体系（系统之系统）是信息系统的一个特别成熟的示例，其中先进的传感器数据融合技术是它的中心支柱。它能反映之前提到的许多方面的内容，这部分内容已经在一个称为多传感器空地联合ISR互操作协同（Multi-SensorAerospace-GroundJointISRInteroperabilityCoalition，MAJIIC）的多国技术项目中得到应用[4]。在协同行动中，通过协作采用可互操作的传感器和数据开发系统，设计MAJIIC是为了提升各种决策层级下军事指挥官的态势感知能力。
基于恰当的兵力部署计划和相应的战术规程，用于收集、协调和情报需求管理（Collection，CoordinationandIntelligenceRequirementsManagement，CCIRM）的技术工具源自在部队行动部署中个体的传感器服务请求。这些CCIRM工具根据上级确定的优先级生成任务计划，给传感器系统分配恰当的数据获取任务，启动对已有传感器数据流的数据开发和融合过程，以便获得高质量的侦察信息，以及*后（但不是*不重要），确保在正确的时间将正确的信息反馈给所请求的部队。
在MAJIIC系统中，在各参与国的C4ISTAR系统构成尽可能保持不变的条件下，需要特别强调以下几点。
（1）对用于空基和陆基广域监视的先进传感器技术的集成，主要基于地面运动目标指示雷达（GroundMovingTargetIndicatorRadar，GMTI）、合成孔径雷达（SyntheticApertureRadar，SAR）、产生固定和运动影像的光电和红外传感器（Electro-OpticalandInfraredSensors，EO，IR）、电子支援测量（ElectronicSupportMeasures，ESM），以及基于雷达或声学的炮兵定位传感器。
（2）另一个基本难点是如何辨识和执行异构信息源的分布式传感器数据的公共标准，包括恰当的数据和元数据格式、系统结构约定以及先进信息安全概念的设计和实现。
（3）除了传感器数据融合技术本身，许多工具和规程已被开发并持续得到增强，以实现异构协同传感器的配准，监视系统中单个传感器之间、不同系统的传感器之间、传感器和执行器之间的交叉提示，还有应用产品管理、协同地面图像的表示，以及MAJIIC子系统间的协同任务规划、调度、管理和监控。
（4）MAJIIC具有独立于网络类型和通信带宽的特有通信机制，这种设计使它能够适应需求的变化。商用的、标准化的互联网和加密技术被用于网络设计，以及界面和操作特征的实现。协同工具所提供的重要功能确保操作者之间的点对点通信和结构化信息的交换。
图1.2MAJIIC系统体系结构
强调有效部署传感器、数据库和分布式传感器系统（互操作的ISR开发工作站）
（5）MAJIIC的C4ISTAR体系中的中央信息分发节点，即联合共享数据服务器（CoalitionSharedDataservers，CSD），采用了现代数据库技术。先进的数据挖掘和数据恢复工具是所有MAJIIC数据开发和融合系统的一部分。
（6）从作战的观点看，在规划、运行和分析模拟的与现场的C4ISTAR实验中产生的概念开发和实验之间的一系列连续交互（CDE（ConceptDevelopmentandExperimentation）过程[6]），是MAJIIC项目的核心部分，它促进了MAJIIC能力从国家到盟国系统的转换。
图1.2给出了一个有关MAJIIC系统结构和传感器系统部署的全景图。
1.2作为应用科学分支的特征
前面讨论的传感器数据融合技术是传感器数据融合中作为应用科学一个分支的认知客体。换句话说，它的目的是获取必需的知识，通过采用恰当且成熟的科学方法，来构建一个常作为大型信息系统一部分的、自动化的传感器数据融合系统。这其中的过程包括启发、搜集、分析、建模和知识验证。
为了达到这个目的，传感器数据融合中的科学研究采用了跨学科的方式，即应用其他学科的基础结果，如处理传感器感知的物理目标特性和研究基本感知原则的自然科学和工程科学，主要有传感器工程、度量衡、自动控制
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
