本书汇集了三十三位国际知名专家的最新研究成果,从滤波,多传感器多目标跟踪,传感器管理,估计和分类,决策融合和决策支持五个方面对新方法,新技术和新应用予以阐述

zlibzh/no-category/（美）马亨德拉·马利克，（加）维克拉姆·克里希纳穆尔蒂，（澳）武伯御编著；乔向东等译, 马利克 (Mallick, Mahendra)/目标跟踪、分类与传感器管理理论及应用_30838500.pdf

国防工业出版社 Guo fang gong ye chu ban she

National Defence Industry Press

Tong xin ji shu xi lie, Di 1 ban, 北京 Beijing, 2017

China, People's Republic, China

Bookmarks: p1 (p1): 第一篇 滤波技术
p1-1 (p1): 第1章 三维纯角滤波
p1-1-1 (p1): 1.1引言
p1-1-2 (p3): 1.2问题描述
p1-1-3 (p3): 1.3跟踪器和传感器的坐标系
p1-1-4 (p4): 1.4目标和观测平台状态的坐标系
p1-1-4-1 (p4): 1.4.1状态向量和相对状态向量的笛卡儿坐标系
p1-1-4-2 (p5): 1.4.2目标相对状态向量的修正球坐标系
p1-1-5 (p5): 1.5目标动态模型
p1-1-5-1 (p5): 1.5.1笛卡儿坐标系下目标状态和目标相对状态的动态模型
p1-1-5-2 (p7): 1.5.2修正球坐标系下目标相对状态的动态模型
p1-1-6 (p9): 1.6量测模型
p1-1-6-1 (p9): 1.6.1目标相对状态的量测模型
p1-1-6-2 (p10): 1.6.2修正球坐标系下的量测模型
p1-1-7 (p10): 1.7滤波器初始化
p1-1-7-1 (p10): 1.7.1相对笛卡儿坐标系下的滤波初始化
p1-1-7-2 (p11): 1.7.2修正球坐标系下的滤波初始化
p1-1-8 (p11): 1.8扩展卡尔曼滤波器
p1-1-9 (p13): 1.9无迹卡尔曼滤波器
p1-1-10 (p16): 1.10粒子滤波器
p1-1-11 (p20): 1.11数值仿真和结果
p1-1-12 (p23): 1.12结论
p1-1-13 (p24): 附录1A修正球坐标系的随机微分方程推导
p1-1-14 (p26): 附录1B相对笛卡儿坐标系和修正球坐标系之间的转换
p1-1-15 (p27): 附录1C相对笛卡儿坐标系和修正球坐标系下的滤波器初始化
p1-1-16 (p31): 致谢
p1-1-17 (p32): 参考文献
p1-2 (p35): 第2章 面向目标跟踪、与合区间方法相结合的粒子滤波
p1-2-1 (p35): 2.1引言
p1-2-2 (p36): 2.2相关工作
p1-2-3 (p36): 2.3区间分析
p1-2-3-1 (p37): 2.3.1基本概念
p1-2-3-2 (p38): 2.3.2包含函数
p1-2-3-3 (p38): 2.3.3约束满足问题
p1-2-3-4 (p40): 2.3.4紧缩方法
p1-2-4 (p41): 2.4贝叶斯滤波
p1-2-5 (p41): 2.5盒式粒子滤波
p1-2-5-1 (p41): 2.5.1盒式粒子滤波的主要步骤
p1-2-6 (p44): 2.6基于混合均匀PDF、由贝叶斯推理而得的BOX-PF
p1-2-6-1 (p45): 2.6.1时间更新步骤
p1-2-6-2 (p49): 2.6.2量测更新步骤
p1-2-7 (p50): 2.7 BOX-PF的目标跟踪示例
p1-2-7-1 (p50): 2.7.1仿真设置
p1-2-8 (p53): 2.8车辆动态定位的应用
p1-2-9 (p55): 2.9结论
p1-2-10 (p56): 致谢
p1-2-11 (p57): 参考文献
p1-3 (p59): 第3章 基于随机有限集的贝叶斯多目标跟踪滤波器
p1-3-1 (p59): 3.1序言
p1-3-2 (p59): 3.2多目标滤波的随机有限集方法概述
p1-3-2-1 (p59): 3.2.1单目标滤波
p1-3-2-2 (p60): 3.2.2随机有限集和多目标滤波
p1-3-2-3 (p62): 3.2.3为什么在多目标滤波中使用随机有限集？
p1-3-3 (p63): 3.3随机有限集
p1-3-3-1 (p63): 3.3.1概率密度
p1-3-3-2 (p64): 3.3.2 Janossy密度
p1-3-3-3 (p64): 3.3.3置信函数和密度
p1-3-3-4 (p65): 3.3.4概率假设密度
p1-3-3-5 (p65): 3.3.5随机有限集的类别
p1-3-4 (p66): 3.4多目标滤波和估计
p1-3-4-1 (p67): 3.4.1多目标动态模型
p1-3-4-2 (p67): 3.4.2多目标量测模型
p1-3-4-3 (p68): 3.4.3多目标贝叶斯递推
p1-3-4-4 (p68): 3.4.4多目标状态估计
p1-3-5 (p70): 3.5多目标误差距离
p1-3-5-1 (p70): 3.5.1测度
p1-3-5-2 (p71): 3.5.2豪斯道夫测度
p1-3-5-3 (p72): 3.5.3最佳传质测度（OMAT）
p1-3-5-4 (p72): 3.5.4最优子模式分配（OSPA）测度
p1-3-6 (p73): 3.6概率假设密度（PHD）滤波器
p1-3-6-1 (p74): 3.6.1线性高斯模型下的PHD递推
p1-3-6-2 (p76): 3.6.2关于实现
p1-3-6-3 (p77): 3.6.3非线性高斯模型扩展
p1-3-7 (p79): 3.7 CPHD滤波器
p1-3-7-1 (p81): 3.7.1线性高斯模型的CPHD递推
p1-3-7-2 (p82): 3.7.2关于实现
p1-3-7-3 (p83): 3.7.3基于CPHD滤波器的固定目标数目跟踪
p1-3-8 (p84): 3.8举例
p1-3-9 (p88): 3.9多目标多伯努利滤波器
p1-3-9-1 (p88): 3.9.1多目标多伯努利递归
p1-3-9-2 (p89): 3.9.2多目标状态估计
p1-3-9-3 (p89): 3.9.3扩展至航迹演化
p1-3-9-4 (p90): 3.9.4面向图像数据的多目标多伯努利滤波器
p1-3-9-5 (p91): 3.9.5实现
p1-3-10 (p93): 致谢
p1-3-11 (p94): 参考文献
p1-4 (p97): 第4章 交互式多模型滤波器的连续时间根
p1-4-1 (p97): 4.1引言
p1-4-1-1 (p98): 4.1.1背景和记号
p1-4-2 (p98): 4.2隐马尔可夫滤波器
p1-4-2-1 (p98): 4.2.1有限状态马尔可夫过程
p1-4-2-2 (p98): 4.2.2具有马尔可夫链解的SDE
p1-4-2-3 (p100): 4.2.3隐马尔可夫模型（HMM）滤波
p1-4-2-4 (p101): 4.2.4 HMM滤波器的稳健版本
p1-4-3 (p103): 4.3带马尔可夫系数的系统
p1-4-3-1 (p103): 4.3.1所考虑的滤波问题
p1-4-3-2 (p103): 4.3.2联合条件密度的演化
p1-4-3-3 (p105): 4.3.3给定θ1条件下x1条件密度的演化
p1-4-3-4 (p106): 4.3.4特例
p1-4-4 (p106): 4.4马尔可夫线性跳变系统
p1-4-4-1 (p107): 4.4.1所考虑的滤波问题
p1-4-4-2 (p107): 4.4.2 Pre-IMM滤波器方程
p1-4-4-3 (p108): 4.4.3连续时间IMM滤波器
p1-4-4-4 (p109): 4.4.4 Pre-IMM方程的线性形式
p1-4-4-5 (p111): 4.4.5比约克滤波器和连续时间IMM滤波器之间的关系
p1-4-5 (p111): 4.5连续—离散滤波
p1-4-5-1 (p111): 4.5.1所考虑的连续离散滤波问题
p1-4-5-2 (p112): 4.5.2联合条件密度的演化
p1-4-5-3 (p112): 4.5.3连续—离散SIR粒子滤波
p1-4-5-4 (p113): 4.5.4线性马尔可夫跳变情况
p1-4-5-5 (p114): 4.5.5连续—离散时间的IMM滤波器
p1-4-6 (p115): 4.6结论
p1-4-7 (p117): 附录4A不连续半鞅的微分规则
p1-4-8 (p118): 附录4B RT （θ）微分的推导
p1-4-9 (p120): 参考文献
p2 (p123): 第二篇 多传感器多目标跟踪
p2-1 (p123): 第5章 基于多假设跟踪的多目标跟踪
p2-1-1 (p123): 5.1引言
p2-1-2 (p123): 5.2跟踪算法
p2-1-2-1 (p125): 5.2.1带有目标身份的跟踪
p2-1-2-2 (p125): 5.2.2无目标身份（无航迹标签）的跟踪
p2-1-3 (p126): 5.3跟踪滤波
p2-1-3-1 (p127): 5.3.1动态模型
p2-1-3-2 (p127): 5.3.2量测模型
p2-1-3-3 (p128): 5.3.3非机动目标的单模型滤波器
p2-1-3-4 (p130): 5.3.4滤波算法
p2-1-3-5 (p132): 5.3.5机动目标的多模型切换滤波
p2-1-4 (p133): 5.4多假设跟踪算法
p2-1-5 (p134): 5.5多假设跟踪方程的混合状态推导
p2-1-6 (p136): 5.6目标消亡问题
p2-1-7 (p137): 5.7 M HT示例
p2-1-7-1 (p138): 5.7.1示例1：面向航迹MHT中的N步扫描删减
p2-1-7-2 (p138): 5.7.2示例2：强杂波环境下的机动目标跟踪
p2-1-8 (p140): 5.8总结
p2-1-9 (p141): 致谢
p2-1-10 (p142): 参考文献
p2-2 (p152): 第6章 地面监视跟踪和数据融合
p2-2-1 (p152): 6.1地面监视简介
p2-2-2 (p152): 6.2 GMT】传感器模型
p2-2-2-1 (p153): 6.2.1 GMTI杂波凹口模型
p2-2-2-2 (p154): 6.2.2信号强度量测
p2-2-3 (p156): 6.3跟踪地面运动目标的贝叶斯方法
p2-2-3-1 (p156): 6.3.1贝叶斯跟踪滤波器
p2-2-3-2 (p157): 6.3.2 GMTI跟踪概要
p2-2-3-3 (p159): 6.3.3杂波凹口下的滤波器更新
p2-2-3-4 (p161): 6.3.4目标强度估计
p2-2-4 (p165): 6.4道路网数据的利用
p2-2-4-1 (p166): 6.4.1道路网络建模
p2-2-4-2 (p167): 6.4.2道路密度
p2-2-4-3 (p169): 6.4.3应用：精确定位
p2-2-4-4 (p171): 6.4.4基于航迹的道路地图提取
p2-2-5 (p173): 6.5应用随机矩阵的护航队航迹维持
p2-2-5-1 (p174): 6.5.1贝叶斯框架下的目标范围确定
p2-2-5-2 (p176): 6.5.2道路地图辅助下的护航队航迹维持
p2-2-5-3 (p179): 6.5.3实例
p2-2-6 (p180): 6.6基于势概率假设密度滤波器的护航队跟踪
p2-2-6-1 (p181): 6.6.1高斯混合CPHD算法
p2-2-6-2 (p183): 6.6.2综合电子道路地图
p2-2-6-3 (p184): 6.6.3目标状态相关的探测概率
p2-2-6-4 (p185): 6.6.4基于小护航队跟踪的范例
p2-2-7 (p186): 参考文献
p2-3 (p189): 第7章 目标跟踪的性能界限：高效计算方法及其相关应用
p2-3-1 (p189): 7.1引言
p2-3-2 (p191): 7.2贝叶斯估计的性能界限
p2-3-2-1 (p191): 7.2.1估计问题
p2-3-2-2 (p191): 7.2.2一类通用的性能下限
p2-3-2-3 (p193): 7.2.3高效定维递归
p2-3-3 (p194): 7.3杂波环境下的PCRLB计算
p2-3-3-1 (p194): 7.3.1量测模型
p2-3-3-2 (p194): 7.3.2信息缩减因子方法
p2-3-3-3 (p195): 7.3.3量测序列条件方法（MSC）
p2-3-3-4 (p196): 7.3.4量测存在序列条件方法（MESC）
p2-3-3-5 (p196): 7.3.5信息缩减因子的计算
p2-3-3-6 (p198): 7.3.6各种性能界限之间的关系
p2-3-4 (p199): 7.4一种机动目标跟踪的近似PCRLB
p2-3-4-1 (p199): 7.4.1运动模型
p2-3-4-2 (p199): 7.4.2最佳高斯拟合（Best-Fitting Gaussian， BFG）方法
p2-3-4-3 (p199): 7.4.3最佳高斯拟合近似的递归计算
p2-3-5 (p201): 7.5固定传感器部署的一般框架
p2-3-5-1 (p201): 7.5.1引言
p2-3-5-2 (p202): 7.5.2传感器部署间隔
p2-3-5-3 (p205): 7.5.3已部署传感器的使用
p2-3-5-4 (p205): 7.5.4新部署传感器的数目与位置
p2-3-5-5 (p207): 7.5.5性能测度
p2-3-5-6 (p208): 7.5.6高效搜索技术
p2-3-5-7 (p211): 7.5.7示例——潜艇跟踪中的声纳浮标部署
p2-3-6 (p219): 7.6无人飞行器的轨迹规划
p2-3-6-1 (p219): 7.6.1背景概述
p2-3-6-2 (p219): 7.6.2性能度量
p2-3-6-3 (p219): 7.6.3一步领先规划
p2-3-6-4 (p220): 7.6.4两步领先规划
p2-3-6-5 (p221): 7.6.5基于自适应周期的规划
p2-3-6-6 (p223): 7.6.6仿真
p2-3-7 (p228): 7.7结论
p2-3-8 (p230): 致谢
p2-3-9 (p231): 参考文献
p2-4 (p234): 第8章 检测前跟踪技术
p2-4-1 (p234): 8.1介绍
p2-4-1-1 (p234): 8.1.1 TBD方法的历史回顾
p2-4-1-2 (p236): 8.1.2传统检测后跟踪的局限
p2-4-2 (p239): 8.2.模型
p2-4-2-1 (p239): 8.2.1目标模型
p2-4-2-2 (p240): 8.2.2传感器模型
p2-4-3 (p244): 8.3 Baum Welch算法
p2-4-3-1 (p245): 8.3.1检测
p2-4-3-2 (p246): 8.3.2参数选择
p2-4-3-3 (p246): 8.3.3复杂度分析
p2-4-3-4 (p247): 8.3.4总结
p2-4-4 (p248): 8.4动态规划：Viterbi算法
p2-4-4-1 (p249): 8.4.1参数选择
p2-4-4-2 (p249): 8.4.2复杂度分析
p2-4-4-3 (p249): 8.4.3总结
p2-4-5 (p250): 8.5粒子滤波
p2-4-5-1 (p251): 8.5.1参数选择
p2-4-5-2 (p251): 8.5.2复杂度分析
p2-4-5-3 (p251): 8.5.3总结
p2-4-6 (p252): 8.6 ML-PDA
p2-4-6-1 (p253): 8.6.1优化方法
p2-4-6-2 (p254): 8.6.2验证
p2-4-6-3 (p254): 8.6.3总结
p2-4-7 (p254): 8.7 H-PMHT算法
p2-4-7-1 (p256): 8.7.1有效的两维实现
p2-4-7-2 (p257): 8.7.2非线性高斯量测函数
p2-4-7-3 (p257): 8.7.3航迹管理
p2-4-7-4 (p258): 8.7.4总结
p2-4-8 (p258): 8.8性能分析
p2-4-8-1 (p259): 8.8.1仿真环境
p2-4-8-2 (p260): 8.8.2性能度量
p2-4-8-3 (p260): 8.8.3总体ROC
p2-4-8-4 (p261): 8.8.4单帧ROC
p2-4-8-5 (p262): 8.8.5估计精度
p2-4-8-6 (p262): 8.8.6计算需求
p2-4-9 (p263): 8.9应用：雷达和红外搜索跟踪的融合
p2-4-10 (p266): 8.10未来方向
p2-4-11 (p267): 参考文献
p2-5 (p270): 第9章 数据融合架构的研究进展
p2-5-1 (p270): 9.1引言
p2-5-2 (p271): 9.2密集目标场景
p2-5-3 (p273): 9.3多尺度传感器场景
p2-5-4 (p275): 9.4基于大规模传感器网络的目标跟踪
p2-5-5 (p277): 9.5多尺度目标
p2-5-6 (p283): 9.6量测聚合
p2-5-7 (p286): 9.7结论
p2-5-8 (p288): 参考文献
p2-6 (p290): 第10章 异常轨迹的意图推理和检测：元级跟踪方法
p2-6-1 (p290): 10.1引言
p2-6-1-1 (p290): 10.1.1元级跟踪示例
p2-6-1-2 (p292): 10.1.2 SCFG和反向马尔可夫链
p2-6-1-3 (p293): 10.1.3文献综述
p2-6-1-4 (p293): 10.1.4主要成果
p2-6-2 (p294): 10.2异常轨迹的分类框架
p2-6-2-1 (p294): 10.2.1雷达跟踪中的轨迹分类
p2-6-2-2 (p295): 10.2.2雷达跟踪系统介绍
p2-6-3 (p296): 10.3基于SCFG的轨迹建模和推理
p2-6-3-1 (p296): 10.3.1 SCFG回顾
p2-6-3-2 (p297): 10.3.2异常轨迹的SCFG模型
p2-6-3-3 (p300): 10.3.3 SCFG模型的贝叶斯信号处理
p2-6-4 (p302): 10.4基于反向过程的轨迹建模和推理
p2-6-4-1 (p302): 10.4.1如何对数字地图或者元级跟踪建模？
p2-6-4-2 (p303): 10.4.2反向马尔可夫模型
p2-6-5 (p304): 10.5示例1：针对地面移动目标指示雷达的元级跟踪
p2-6-6 (p306): 10.6示例2：摄像机（头）网络的数据融合
p2-6-7 (p308): 10.7结论
p2-6-8 (p310): 致谢
p2-6-9 (p311): 参考文献
p3 (p313): 第三篇 传感器管理与控制
p3-1 (p313): 第11章 目标跟踪中的雷达资源管理——随机控制方法
p3-1-1 (p313): 11.1引言
p3-1-1-1 (p314): 11.1.1雷达资源管理的方法
p3-1-1-2 (p315): 11.1.2雷达资源管理器的结构
p3-1-1-3 (p316): 11.1.3章节结构
p3-1-2 (p316): 11.2问题描述
p3-1-2-1 (p316): 11.2.1宏观和微观管理器结构
p3-1-2-2 (p317): 11.2.2目标和量测模型
p3-1-2-3 (p318): 11.2.3最大化目标之间互信息的微观管理
p3-1-2-4 (p319): 11.2.4将微观管理器构造为多变量POMDP
p3-1-3 (p322): 11.3微观管理的结构化解和网格规划
p3-1-3-1 (p323): 11.3.1互信息停止代价微观管理中的单调策略
p3-1-3-2 (p324): 11.3.2微观管理的单调POMDP策略
p3-1-3-3 (p326): 11.3.3雷达宏观管理
p3-1-4 (p326): 11.4用于跳变马尔可夫线性系统的机动目标雷达调度
p3-1-4-1 (p327): 11.4.1跳变马尔可夫线性系统的建模
p3-1-4-2 (p329): 11.4.2次优雷达调度算法
p3-1-5 (p331): 11.5总结
p3-1-6 (p333): 参考文献
p3-2 (p335): 第12章 大规模多传感器多目标跟踪的传感器管理
p3-2-1 (p335): 12.1引言
p3-2-1-1 (p335): 12.1.1传感器管理
p3-2-1-2 (p335): 12.1.2集中式跟踪
p3-2-1-3 (p336): 12.1.3分布式跟踪
p3-2-1-4 (p337): 12.1.4分散式跟踪
p3-2-1-5 (p337): 12.1.5本章的组织结构
p3-2-2 (p338): 12.2目标跟踪的架构
p3-2-2-1 (p338): 12.2.1集中式跟踪
p3-2-2-2 (p338): 12.2.2分布式跟踪
p3-2-2-3 (p338): 12.2.3分散式跟踪
p3-2-3 (p338): 12.3后验Cramer-Rao下界
p3-2-3-1 (p339): 12.3.1集中式跟踪中的多目标PCRLB
p3-2-4 (p343): 12.4面向集中式跟踪中的传感器阵列管理
p3-2-4-1 (p343): 12.4.1问题描述
p3-2-4-2 (p343): 12.4.2数学表示
p3-2-4-3 (p347): 12.4.3求解技术
p3-2-4-4 (p348): 12.4.4仿真
p3-2-4-5 (p349): 12.4.5仿真结果
p3-2-5 (p354): 12.5分布式跟踪下的传感器阵列管理
p3-2-5-1 (p354): 12.5.1航迹融合
p3-2-5-2 (p355): 12.5.2带有完全反馈的分布式跟踪的性能
p3-2-5-3 (p356): 12.5.3分布式跟踪的PCRLB
p3-2-5-4 (p356): 12.5.4问题描述
p3-2-5-5 (p356): 12.5.5数学描述
p3-2-5-6 (p359): 12.5.6求解技巧
p3-2-5-7 (p363): 12.5.7仿真结果
p3-2-6 (p366): 12.6分散式跟踪的传感器阵列管理
p3-2-6-1 (p366): 12.6.1分散式跟踪的PCRLB
p3-2-6-2 (p367): 12.6.2问题描述
p3-2-6-3 (p367): 12.6.3数学描述
p3-2-6-4 (p374): 12.6.4求解技术
p3-2-6-5 (p374): 12.6.5仿真结果
p3-2-7 (p380): 12.7结论
p3-2-8 (p382): 附录12A局部搜索
p3-2-9 (p384): 附录12B遗传算法
p3-2-10 (p386): 附录12C蚁群算法
p3-2-11 (p388): 参考文献
p4 (p392): 第四篇 估计与分类
p4-1 (p392): 第13章 面向分类的广义混杂贝叶斯网络有效推理
p4-1-1 (p392): 13.1引言
p4-1-2 (p394): 13.2消息传递：表示和传递
p4-1-2-1 (p395): 13.2.1无迹变换
p4-1-2-2 (p397): 13.2.2无迹消息传递
p4-1-3 (p399): 13.3混杂模型的网络划分和消息整合
p4-1-3-1 (p399): 13.3.1混杂模型的消息整合
p4-1-4 (p401): 13.4面向分类的混杂消息传递算法
p4-1-5 (p402): 13.5数值实验
p4-1-5-1 (p402): 13.5.1实验方法
p4-1-5-2 (p404): 13.5.2实验结果
p4-1-5-3 (p406): 13.5.3 HMP-BN的复杂性
p4-1-6 (p407): 13.6结束语
p4-1-7 (p408): 参考文献
p4-2 (p410): 第14章 基于贝叶斯网络多传感器目标类别辨识性能的评估
p4-2-1 (p410): 14.1引言
p4-2-2 (p411): 14.2单传感器模型
p4-2-2-1 (p411): 14.2.1一种新的目标类别辨识性能量化方法
p4-2-2-2 (p412): 14.2.2 GCM矩阵的高效估计
p4-2-2-3 (p415): 14.2.3 GC M：一些实验
p4-2-2-4 (p418): 14.2.4传感器设计质量测度
p4-2-3 (p420): 14.3多传感器融合系统的设计与性能评估
p4-2-3-1 (p421): 14.3.1多传感器模型的性能评估：好的传感器
p4-2-3-2 (p423): 14.3.2多传感器融合系统的性能评估：不是那么好的传感器
p4-2-4 (p424): 14.4结论和待解决的问题
p4-2-5 (p425): 附录14A传感器LCM矩阵的推导
p4-2-6 (p426): 附录14B GCM矩阵非对角元素的求解
p4-2-7 (p428): 附录14C GCM矩阵对角元素递归估计方法的图论表示
p4-2-8 (p428): 附录14C.1二项式情形（n=2，m=2）
p4-2-9 (p431): 附录14C.2多项式情形（n，m＞2）
p4-2-10 (p432): 附录14D GCM矩阵蒙特卡罗计算的设计
p4-2-11 (p432): 附录14D.1单传感器的GCM矩阵
p4-2-12 (p433): 附录14D.2多传感器目标类别辨识系统的GCM矩阵
p4-2-13 (p433): 附录14E近似1的证明
p4-2-14 (p435): 参考文献
p4-3 (p436): 第15章 放射源的检测与估计
p4-3-1 (p436): 15.1引言
p4-3-2 (p436): 15.2点源估计
p4-3-2-1 (p437): 15.2.1模型
p4-3-2-2 (p438): 15.2.2源参数估计
p4-3-2-3 (p440): 15.2.3仿真结果
p4-3-2-4 (p442): 15.2.4试验结果
p4-3-3 (p444): 15.3分布源估计
p4-3-3-1 (p445): 15.3.1模型7
p4-3-3-2 (p446): 15.3.2估计
p4-3-3-3 (p448): 15.3.3仿真结果
p4-3-3-4 (p450): 15.3.4试验结果
p4-3-4 (p451): 15.4点源搜索
p4-3-4-1 (p452): 15.4.1模型
p4-3-4-2 (p453): 15.4.2基于POMDP的序贯搜索
p4-3-4-3 (p454): 15.4.3 POMDP的实现
p4-3-4-4 (p458): 15.4.4仿真结果
p4-3-4-5 (p460): 15.4.5试验结果
p4-3-5 (p461): 15.5结论
p4-3-6 (p463): 致谢
p4-3-7 (p464): 参考文献
p5 (p467): 第五篇 决策融合与决策支持
p5-1 (p467): 第16章 面向无线传感器网络的分布式检测和判决融合应用
p5-1-1 (p467): 16.1引言
p5-1-2 (p468): 16.2检测理论构成
p5-1-3 (p470): 16.3多传感器分布式检测
p5-1-3-1 (p470): 16.3.1拓扑结构
p5-1-3-2 (p472): 16.3.2条件独立假设
p5-1-3-3 (p477): 16.3.3量测相关的情况
p5-1-3-4 (p478): 16.3.4讨论
p5-1-4 (p478): 16.4无线传感器网络（WSN）中的分布式检测
p5-1-4-1 (p479): 16.4.1信号衰减背景下WSN的计数规则
p5-1-4-2 (p480): 16.4.2性能分析：具有相同统计特性的传感器
p5-1-4-3 (p480): 16.4.3性能分析：具有不同统计特性的传感器
p5-1-5 (p485): 16.5基于Copula的相关判决融合
p5-1-5-1 (p486): 16.5.1 Copula理论
p5-1-5-2 (p486): 16.5.2基于Copula的系统设计
p5-1-5-3 (p488): 16.5.3示例：放射源检测应用
p5-1-5-4 (p491): 16.5.4评注
p5-1-6 (p491): 16.6结论
p5-1-7 (p493): 致谢
p5-1-8 (p494): 附录16A由不同传感器组成的传感器网络的性能近似分析
p5-1-9 (p494): 附录16A.1二项式近似方法Ⅰ
p5-1-10 (p494): 附录16A.2二项式近似方法Ⅱ
p5-1-11 (p495): 附录16A.3 DeMoivre-Laplace近似方法
p5-1-12 (p495): 附录16A.4全变距
p5-1-13 (p497): 参考文献
p5-2 (p501): 第17章 监视系统中用于决策支持的证据网络
p5-2-1 (p501): 17.1简介
p5-2-2 (p502): 17.2赋值代数
p5-2-2-1 (p502): 17.2.1数学定义和结果
p5-2-2-2 (p503): 17.2.2公理
p5-2-2-3 (p505): 17.2.3作为赋值代数的概率质量函数
p5-2-3 (p506): 17.3赋值代数中的局部计算
p5-2-3-1 (p506): 17.3.1融合算法
p5-2-3-2 (p507): 17.3.2二叉连接树构造
p5-2-3-3 (p508): 17.3.3内向传播
p5-2-4 (p509): 17.4作为赋值代数的证据理论
p5-2-4-1 (p511): 17.4.1组合
p5-2-4-2 (p512): 17.4.2边缘化
p5-2-4-3 (p513): 17.4.3推导和引出证据模型
p5-2-4-4 (p514): 17.4.4决策
p5-2-5 (p517): 17.5决策支持系统例子
p5-2-5-1 (p517): 17.5.1目标识别
p5-2-5-2 (p521): 17.5.2威胁评估
p5-2-6 (p529): 附录17A二叉连接树构造
p5-2-7 (p531): 附录17B内向传播
p5-2-8 (p533): 参考文献
p6 (p536): 致谢
p7 (p537): 编著者

related_files:
filepath:目标跟踪、分类与传感器管理理论及应用=Integrated tracking, classification and sensor managemen _ theory and applications_14224390.zip — md5:342d09a47b2ca15bfc27be526ffdb9f2 — filesize:84179363
filepath:目标跟踪、分类与传感器管理理论及应用=Integrated tracking, classification and sensor managemen _ theory and applications_14224390.zip — md5:c9ff6e73ce4c98ee0f7f4db78482075b — filesize:84180730
filepath:目标跟踪、分类与传感器管理理论及应用=Integrated tracking, classification and sensor managemen _ theory and applications_14224390.zip — md5:7f2a9eb204b219828857f2ca8fd0b108 — filesize:84179363
filepath:14b/安徽师范/目标跟踪、分类与传感器管理理论及应用=Integrated tracking, classification and sensor managemen _ theory and applications_14224390.zip
filepath:14224390.zip — md5:5c8cd80ce2f241c5b0f55195a0ed2275 — filesize:84179363
filepath:14224390.zip — md5:e3d104a2dl2715e3a1ce6712395e9c7a — filesize:84179363
filepath:/读秀/读秀3.0/读秀/3.0/3.0新/其余书库等多个文件/0101/79/14224390.zip
filepath:/读秀/读秀4.0/读秀/4.0/数据库33-2/14224390.zip
filepath:843_28_10a/绝对值多盘/48/14224390.zip
filepath:第八部分/zzzzzz/79/14224390.zip

2024-06-13