信息融合：神經(jīng)網(wǎng)絡(luò)-模糊推理理論與應(yīng)用

第一章信息融合概論
1.1引言
1.2信息融合的基本概念
1.2.1信息融合的3層含義
1.2.2信息融合系統(tǒng)的基本框架
1.2.3信息融合的6個(gè)基本特征
1.2.4FAN系統(tǒng)
1.2.5人工智能和神經(jīng)網(wǎng)絡(luò)融合系統(tǒng)
1.3典型的信息融合系統(tǒng)
1.3.1多目標(biāo)多傳感器跟蹤系統(tǒng)
1.3.2神經(jīng)網(wǎng)絡(luò)-模糊融合控制
1.4信息融合技術(shù)發(fā)展概況
1.4.1融合算法綜述
1.4.2多目標(biāo)多傳感器跟蹤技術(shù)發(fā)展概況
1.4.3信息融合應(yīng)用概況
后記
第二章信息融合系統(tǒng)的基本模型
2.1引言
2.2信息融合4元素和一般模型
2.3信息融合的功能模型
2.4信息融合的結(jié)構(gòu)模型
2.4.1檢測(cè)級(jí)融合結(jié)構(gòu)模型
2.4.2跟蹤級(jí)融合結(jié)構(gòu)模型
2.4.3屬性級(jí)融合結(jié)構(gòu)模型
2.5基于輸入輸出特征的融合模型
2.6系統(tǒng)4種融合模型
2.7信息融合層次模型
后記
第三章信息融合的基本算法
3.1引言
3.2卡爾曼加權(quán)融合算法
3.3登普斯特-謝弗證據(jù)方法
3.4航跡融合的分層法
后記
第四章神經(jīng)網(wǎng)絡(luò)融合學(xué)習(xí)與估計(jì)
4.1引言
4.2信息融合學(xué)習(xí)系統(tǒng)
4.2.1學(xué)習(xí)概念
4.2.2融合學(xué)習(xí)模型
4.34種學(xué)習(xí)方法
4.3.1機(jī)械學(xué)習(xí)
4.3.2指導(dǎo)學(xué)習(xí)
4.3.3實(shí)例學(xué)習(xí)
4.3.4類比學(xué)習(xí)
4.4神經(jīng)網(wǎng)絡(luò)狀態(tài)估計(jì)
4.4.1神經(jīng)網(wǎng)絡(luò)最小二乘估計(jì)
4.4.2基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)參數(shù)辨識(shí)方法
4.4.3系統(tǒng)逆問(wèn)題的神經(jīng)網(wǎng)絡(luò)解法
4.5基于M估計(jì)的魯棒神經(jīng)網(wǎng)絡(luò)
4.5.1魯棒估計(jì)的提出
4.5.2魯棒BP神經(jīng)網(wǎng)絡(luò)
4.6神經(jīng)網(wǎng)絡(luò)泛化能力
4.6.1基本概念
4.6.2概率近似的正確學(xué)習(xí)
4.6.3提高泛化能力的限制權(quán)重方法
后記
第五章神經(jīng)網(wǎng)絡(luò)-模糊推理融合理論與結(jié)構(gòu)
5.1引言
5.2神經(jīng)網(wǎng)絡(luò)與模糊推理系統(tǒng)的關(guān)系
5.2.1神經(jīng)網(wǎng)絡(luò)系統(tǒng)與模糊推理系統(tǒng)的相似性
5.2.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)與模糊推理系統(tǒng)的差異
5.2.3神經(jīng)網(wǎng)絡(luò)與模糊推理技術(shù)缺陷
5.2.4發(fā)展概況
5.3神經(jīng)網(wǎng)絡(luò)-模糊推理系統(tǒng)的融合機(jī)理
5.3.1最佳逼近器與模糊基函數(shù)
5.3.2模糊系統(tǒng)的通用逼近性
5.3.3神經(jīng)網(wǎng)絡(luò)與模糊推理系統(tǒng)的等效性
5.4神經(jīng)網(wǎng)絡(luò)-模糊推理融合系統(tǒng)的特征
5.4.1融合系統(tǒng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
5.4.2神經(jīng)網(wǎng)絡(luò)系統(tǒng)和模糊推理系統(tǒng)的相似算子
5.4.3神經(jīng)網(wǎng)絡(luò)系統(tǒng)和模糊推理系統(tǒng)的映射方式
5.5神經(jīng)網(wǎng)絡(luò)-模糊推理融合系統(tǒng)結(jié)構(gòu)
5.5.1NN&FR結(jié)構(gòu)
5.5.2NN→FR類型
5.5.3NN←→FR類型
5.5.4模糊神經(jīng)元結(jié)構(gòu)
5.5.5混合模糊神經(jīng)網(wǎng)絡(luò)
5.6神經(jīng)網(wǎng)絡(luò)-模糊推理Inter3融合系統(tǒng)
5.6.1NN-FRInter3融合模型
5.6.2NN←→FR型子網(wǎng)絡(luò)成分互連方法構(gòu)造子
網(wǎng)絡(luò)
5.6.3功能互補(bǔ)的網(wǎng)絡(luò)實(shí)現(xiàn)
后記
第六章神經(jīng)網(wǎng)絡(luò)-模糊推理融合控制
6.1引言
6.2自適應(yīng)模糊濾波器
6.2.1知識(shí)的模糊集表示
6.2.2遞歸最小二乘自適應(yīng)模糊濾波器
6.2.3混合推理模糊控制器
6.3神經(jīng)網(wǎng)絡(luò)控制器
6.3.1神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)控制
6.3.2神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制
6.3.3神經(jīng)網(wǎng)絡(luò)專家控制系統(tǒng)
6.4神經(jīng)網(wǎng)絡(luò)-模糊融合控制機(jī)理
6.4.1神經(jīng)網(wǎng)絡(luò)控制和模糊控制的共同點(diǎn)
6.4.2神經(jīng)網(wǎng)絡(luò)-模糊推理融合控制的必要性
6.5神經(jīng)網(wǎng)絡(luò)-模糊推理融合控制結(jié)構(gòu)
6.5.1基于神經(jīng)網(wǎng)絡(luò)技術(shù)的模糊控制器
6.5.2自調(diào)整量化因子神經(jīng)模糊控制器
6.5.3自學(xué)習(xí).自組織神經(jīng)模糊控制器
6.6基于誤差動(dòng)態(tài)特性識(shí)別器的神經(jīng)網(wǎng)絡(luò)-模糊
推理控制
6.6.1系統(tǒng)結(jié)構(gòu)
6.6.2.誤差動(dòng)態(tài)特性識(shí)別器的設(shè)計(jì)
6.6.3模糊控制器結(jié)構(gòu)設(shè)計(jì)
6.6.4計(jì)算機(jī)仿真
6.6.5實(shí)驗(yàn)系統(tǒng)及實(shí)驗(yàn)結(jié)果分析
后記
第七章神經(jīng)網(wǎng)絡(luò)-模糊推理多目標(biāo)跟蹤技術(shù)
7.1引言
7.2數(shù)據(jù)關(guān)聯(lián)問(wèn)題的Hopfield神經(jīng)網(wǎng)絡(luò)解
7.2.1問(wèn)題的提出
7.2.2旅行商問(wèn)題
7.2.3JPDA算法
7.2.4數(shù)據(jù)關(guān)聯(lián)后驗(yàn)概率的計(jì)算
7.3數(shù)據(jù)關(guān)聯(lián)的模糊推理方法
7.3.1問(wèn)題的提出
7.3.2數(shù)據(jù)關(guān)聯(lián)模糊推理方法的基本原理
7.3.3數(shù)據(jù)關(guān)聯(lián)模糊推理方法的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)
7.3.4實(shí)驗(yàn)數(shù)據(jù)處理
7.4數(shù)據(jù)關(guān)聯(lián)的模糊基函數(shù)神經(jīng)網(wǎng)絡(luò)方法
7.4.1模糊基函數(shù)神經(jīng)網(wǎng)絡(luò)
7.4.2正交最小方差學(xué)習(xí)算法
7.4.3改進(jìn)的正交最小方差學(xué)習(xí)算法
7.5自適應(yīng)神經(jīng)網(wǎng)絡(luò)-模糊推理系統(tǒng)
7.5.1ANFIS結(jié)構(gòu)
7.5.2混合學(xué)習(xí)算法
7.5.3ANFIS通用逼近性
7.5.4ANFIS特點(diǎn)
7.5.5協(xié)動(dòng)作ANFIS
7.6基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)型模糊跟蹤器
7.6.1學(xué)習(xí)型模糊跟蹤器結(jié)構(gòu)
7.6.2學(xué)習(xí)算法
7.6.3仿真
后記
第八章多目標(biāo)多傳感器跟蹤系統(tǒng)
8.1引言
8.2快速跟蹤系統(tǒng)
8.2.1問(wèn)題的提出
8.2.2快速關(guān)聯(lián)處理
8.2.3降階快速跟蹤系統(tǒng)
8.3僅有角測(cè)量系統(tǒng)機(jī)動(dòng)目標(biāo)魯棒跟蹤算法
8.3.1魯棒跟蹤問(wèn)題的提出
8.3.2僅有角測(cè)量系統(tǒng)的描述
8.3.3勻速目標(biāo)的3種跟蹤算法
8.3.4機(jī)動(dòng)目標(biāo)魯棒跟蹤算法
8.3.5僅有角測(cè)量系統(tǒng)的魯棒制導(dǎo)規(guī)律
8.4多目標(biāo)多傳感器跟蹤系統(tǒng)信息融合算法
8.4.1多目標(biāo)多傳感器關(guān)聯(lián)處理最鄰近算法
8.4.2相互作用的多重模型算法
8.4.3神經(jīng)網(wǎng)絡(luò)信息融合
8.5多目標(biāo)多雷達(dá)航跡處理和管理
8.5.1點(diǎn)跡數(shù)據(jù)處理
8.5.2航跡數(shù)據(jù)處理
8.5.3航跡編號(hào)管理
后記
第九章復(fù)雜環(huán)境下的多傳感器信息融合
9.1引言
9.2復(fù)雜干擾環(huán)境下的分布式多傳感器檢測(cè)
9.2.1復(fù)雜干擾環(huán)境下多傳感器系統(tǒng)的
馬爾可夫模型
9.2.2復(fù)雜干擾環(huán)境下多傳感器系統(tǒng)的
融合檢測(cè)
9.2.3仿真計(jì)算與結(jié)果分析
9.3僅有角度信息的多傳感器關(guān)聯(lián)預(yù)處理算法
9.3.1問(wèn)題的提出
9.3.2角度關(guān)聯(lián)的預(yù)處理算法
9.3.3仿真計(jì)算與結(jié)果分析
9.4多傳感器系統(tǒng)沖擊干擾的預(yù)處理
9.4.1沖擊干擾的描述
9.4.2奇異信號(hào)特征提取
9.4.3奇異信號(hào)的Lipschitz指數(shù)檢測(cè)方法
9.4.4抑制沖擊干擾的信號(hào)恢復(fù)
9.4.5仿真計(jì)算與結(jié)果分析
9.5復(fù)雜環(huán)境下ANN-FRIFS
9.5.1問(wèn)題的提出
9.5.2ANFIS置信度判別器設(shè)計(jì)
9.5.3ANN-FRIFS算法
9.5.4仿真計(jì)算與結(jié)果分析
后記
附錄A
第十章多雷達(dá)信息融合演示系統(tǒng)
10.1系統(tǒng)組成與指標(biāo)
10.2系統(tǒng)功能與運(yùn)行
10.2.1功能與運(yùn)行環(huán)境
10.2.2運(yùn)行過(guò)程
10.3仿真計(jì)算與結(jié)果分析
第十一章信息融合系統(tǒng)展望
11.1人工智能-神經(jīng)網(wǎng)絡(luò)-模糊推理融合系統(tǒng)
11.1.1信息融合技術(shù)的進(jìn)化發(fā)展
11.1.2研究課題
11.2信息融合作戰(zhàn)系統(tǒng)
11.2.1未來(lái)高技術(shù)信息戰(zhàn)
11.2.2未來(lái)信息融合作戰(zhàn)系統(tǒng)的特色
11.2.3研究課題
11.3多基地雷達(dá)預(yù)警系統(tǒng)
11.3.1預(yù)警探測(cè)系統(tǒng)
11.3.2高頻超視距雷達(dá)
11.3.3多基地超視距雷達(dá)預(yù)警系統(tǒng)
11.3.4研究課題
11.4NN-FR智能化多傳感器復(fù)合制導(dǎo)技術(shù)
11.4.1制導(dǎo)技術(shù)的發(fā)展
11.4.2國(guó)內(nèi)外研究概況
11.4.3研究課題
后記
附錄英文縮寫(xiě)對(duì)照表
參考文獻(xiàn)