信息融合關(guān)鍵技術(shù)及其應(yīng)用

1 緒論
1.1 信息融合概述
1.1.1 定義
1.1.2 信息融合意義與優(yōu)勢
1.2 信息融合結(jié)構(gòu)與級別
1.2.1 信息融合功能模型
1.2.2 信息融合級別
1.2.3 信息融合過程
1.3 信息融合基本概念
1.3.1 信息融合基本原理
1.3.2 信息融合種類
1.4 信息融合主要研究方法
1.4.1 加權(quán)平均
1.4.2 卡爾曼濾波
1.4.3 貝葉斯估計
1.4.4 統(tǒng)計決策理論
1.4.5 Dempster-Shafer證據(jù)推理法
1.4.6 模糊邏輯法
1.4.7 產(chǎn)生式規(guī)則法
1.4.8 神經(jīng)網(wǎng)絡(luò)方法
1.5 信息融合應(yīng)用
1.5.1 軍事應(yīng)用
1.5.2 民事應(yīng)用
1.6 信息融合技術(shù)發(fā)展與未來
1.6.1 信息融合發(fā)展史-
1.6.2 信息融合存在的問題
1.6.3 信息融合未來發(fā)展
2 信息融合估計理論
2.1 數(shù)理統(tǒng)計理論
2.1.1 概述
2.1.2 基本概念
2.2 基于參數(shù)估計理論與算法
2.2.1 點估計
2.2.2 貝葉斯估計
2.2.3 區(qū)間估計
2.3 基于參數(shù)估計信息融合
3 動態(tài)系統(tǒng)的濾波理論與算法
3.1 標(biāo)準(zhǔn)卡爾曼濾波
3.1.1 卡爾曼濾波基本概念
3.1.2 卡爾曼濾波的基本步驟
3.1.3 基本卡爾曼濾波簡單實例
3.1.4 卡爾曼信息濾波器
3.2 擴展卡爾曼濾波算法
3.3 卡爾曼濾波器的基本特性
3.4 貝葉斯濾波
4 信息融合中的分析方法
4.1 判別分析
4.1.1 概念
4.1.2 距離判別法
4.1.3 Fisher判別法
4.1.4 貝葉斯判別法
4.2 聚類分析
4.2.1 基本思想
4.2.2 距離
4.2.3 相似系數(shù)
4.2.4 系統(tǒng)聚類方法
4.3 主成分分析
4.3.1 主成分分析的基本思想
4.3.2 主成分分析的數(shù)學(xué)模型及幾何解釋
4.3.3 主成分的推導(dǎo)及性質(zhì)
5 信息融合中的智能算法（一）
5.1 基于粗糙集理論的信息融合算法
5.1.1 基于完全簡化規(guī)則集的信息融合算法
5.1.2 基于粗糙集理論的機器人物體識別系統(tǒng)
5.1.3 基于不完備信息的多傳感器信息融合
5.1.4 結(jié)論分析
5.2 基于模糊理論的信息融合算法
5.3 基于D-S證據(jù)理論的信息融合算法
5.3.1 D-S證據(jù)理論基礎(chǔ)
5.3.2 D-S據(jù)理論的推廣改進
5.3.3 D-S證據(jù)理論應(yīng)用舉例
6 信息融合中的智能算法（二）
6.1 基于微粒群的信息融合算法
6.1.1 算法模型
6.1.2 算法實現(xiàn)步驟及程序結(jié)構(gòu)流程
6.1.3 參數(shù)的選擇
6.2 基于非線性S函數(shù)調(diào)參策略的改進的微粒群算法
6.2.1 算法介紹
6.2.2 算法流程
6.2.3 算法仿真
6.3 嵌入隔離小生境技術(shù)的混沌微粒群算法
6.3.1 隔離小生境技術(shù)
6.3.2 混沌搜索策略
6.3.3 嵌入隔離小生境技術(shù)微粒群算法描述
6.3.4 仿真實驗及分析
6.4 基于微粒群模糊密度自適應(yīng)賦值的多分類器融合算法
6.4.1 基于模糊積分的多分類器融合
6.4.2 基于粒子群算法的模糊測度自適應(yīng)賦值
6.5 基于支持向量機的信息融合算法
6.5.1 最優(yōu)分類面
6.5.2 核函數(shù)
6.6 支持向量機多類分類器構(gòu)造方法
6.6.1 完全多類支持向量機
6.6.2 組合多類支持向量機
7 神經(jīng)網(wǎng)絡(luò)方法的信息融合
7.1 基于神經(jīng)網(wǎng)絡(luò)方法的信息融合
7.1.1 神經(jīng)網(wǎng)絡(luò)概述
7.1.2 BP神經(jīng)網(wǎng)絡(luò)
7.1.3 BP算法的改進
7.2 量子小波神經(jīng)網(wǎng)絡(luò)
7.2.1 量子神經(jīng)網(wǎng)絡(luò)概述
7.2.2 量子小波神經(jīng)網(wǎng)絡(luò)模型
7.2.3 量子小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
7.2.4 量子小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)討論
7.2.5 量子小波神經(jīng)網(wǎng)絡(luò)算法的程序?qū)崿F(xiàn)
7.3 神經(jīng)網(wǎng)絡(luò)信息融合目標(biāo)識別系統(tǒng)的分類性能研究
7.4 神經(jīng)網(wǎng)絡(luò)信息融合的故障診斷專家系統(tǒng)
7.4.1 基于神經(jīng)網(wǎng)絡(luò)的故障診斷專家系統(tǒng)
7.4.2 神經(jīng)網(wǎng)絡(luò)的知識獲取
7.4.3 神經(jīng)網(wǎng)絡(luò)的推理
7.4.4 神經(jīng)網(wǎng)絡(luò)知識庫的建立
7.5 神經(jīng)網(wǎng)絡(luò)信息融合方法
7.5.1 神經(jīng)網(wǎng)絡(luò)信息融合診斷過程
7.5.2 神經(jīng)網(wǎng)絡(luò)信息融合診斷步驟
7.5.3 單網(wǎng)絡(luò)信息融合
7.5.4 雙網(wǎng)絡(luò)信息融合
7.5.5 基于量子神經(jīng)網(wǎng)絡(luò)的手寫體數(shù)字識別系統(tǒng)
8 圖像融合
8.1 圖像融合概述
8.1.1 圖像融合的一般概述
8.1.2 圖像配準(zhǔn)
8.1.3 圖像融合層次及模型
8.1.4 圖像融合的熱點及發(fā)展趨勢
8.2 面向遙感應(yīng)用的圖像融合
8.2.1 遙感圖像融合的過程
8.2.2 圖像融合的基本原理和方法
8.3 基于小波變換的圖像降噪信息融合算法
8.3.1 算法的理論基礎(chǔ)
8.3.2 算法描述
8.3.3 結(jié)果與結(jié)論
9 基于信息融合的面部表情識別
9.1 表情圖像預(yù)處理
9.1.1 直方圖均衡化
9.1.2 圖像的歸一化
9.1.3 光照補償
9.2 人臉表情特征提取方法
9.2.1 FB-PCA和FB-2DPCA特征提取方法
9.2.2 特征差值矩陣方法
9.2.3 信息融合面部表情識別建模
9.3 人臉表情多分類器組合與閾值調(diào)整
9.3.1 多級分類器識別
9.3.2 表情識別中閾值自適應(yīng)調(diào)整機制
9.4 基于支持向量機信息融合的人臉表情識別
9.4.1 融合模型建立
9.4.2 融合原理
9.4.3 融合測試
10 總結(jié)與展望
參考文獻