信息融合 神经网络-模糊推理理论与应用2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

信息融合 神经网络-模糊推理理论与应用PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一章 信息融合概论1

1．1 引言1

1．2 信息融合的基本概念4

1．2．1 信息融合的3层含义4

1．2．2 信息融合系统的基本框架7

1．2．3 信息融合的6个基本特征8

1．2．4 FAN系统12

1．2．5 人工智能和神经网络融合系统14

1．3 典型的信息融合系统15

1．3．1 多目标多传感器跟踪系统15

1．3．2 神经网络—模糊融合控制18

1．4 信息融合技术发展概况22

1．4．1 融合算法综述22

1．4．2 多目标多传感器跟踪技术发展概况26

1．4．3 信息融合应用概况29

后记31

第二章 信息融合系统的基本模型33

2．1 引言33

2．2 信息融合4元素和一般模型33

2．3 信息融合的功能模型35

2．4 信息融合的结构模型37

2．4．1 检测级融合结构模型37

2．4．2 跟踪级融合结构模型39

2．4．3 属性级融合结构模型43

2．5 基于输入输出特征的融合模型45

2．6 系统4种融合模型47

2．7 信息融合层次模型48

后记49

第三章 信息融合的基本算法50

3．1 引言50

3．2 卡尔曼加权融合算法50

3．3 登普斯特——谢弗证据方法54

3．4 航迹融合的分层法61

后记66

第四章 神经网络融合学习与估计68

4．1 引言68

4．2 信息融合学习系统69

4．2．1 学习概念69

4．2．2 融合学习模型71

4．3 4种学习方法74

4．3．1 机械学习74

4．3．2 指导学习74

4．3．3 实例学习75

4．3．4 类比学习75

4．4 神经网络状态估计76

4．4．1 神经网络最小二乘估计76

4．4．2 基于神经网络的系统参数辨识方法80

4．4．3 系统逆问题的神经网络解法83

4．5 基于M估计的鲁棒神经网络86

4．5．1 鲁捧估计的提出86

4．5．2 鲁捧BP神经网络87

4．6 神经网络泛化能力90

4．6．1 基本概念90

4．6．2 概率近似的正确学习91

4．6．3 提高泛化能力的限制权重方法95

后记97

第五章 神经网络——模糊推理融合理论与结构100

5．1 引言100

5．2 神经网络与模糊推理系统的关系102

5．2．1 神经网络系统与模糊推理系统的相似性102

5．2．2 神经网络系统与模糊推理系统的差异103

5．2．3 神经网络与模糊推理技术缺陷106

5．2．4 发展概况109

5．3 神经网络——模糊推理系统的融合机理112

5．3．1 最佳逼近器与模糊基函数112

5．3．2 模糊系统的通用逼近性113

5．3．3 神经网络与模糊推理系统的等效性117

5．4 神经网络——模糊推理融合系统的特征122

5．4．1 融合系统的网络拓扑结构122

5．4．2 神经网络系统和模糊推理系统的相似算子123

5．4．3 神经网络系统和模糊推理系统的映射方式126

5．5 神经网络——模糊推理融合系统结构126

5．5．1 NN&FR结构126

5．5．2 NN→FR类型128

5．5．3 NN←→FR类型131

5．5．4 模糊神经元结构131

5．5．5 混合模糊神经网络133

5．6 神经网络——模糊推理Inter3融合系统137

5．6．1 NN-FR Inter3融合模型137

5．6．2 NN←→FR型子网络成分互连方法构造子网络139

5．6．3 功能互补的网络实现143

后记147

第四章 神经网络——模糊推理融合控制149

6．1 引言149

6．2 自适应模糊滤波器150

6．2．1 知识的模糊集表示150

6．2．1 递归最小二乘自适应模糊滤波器152

6．2．3 混合推理模糊控制器155

6．3 神经网络控制器156

6．3．1 神经网络学习控制156

6．3．2 神经网络自适应控制157

6．3．3 神经网络专家控制系统160

6．4 神经网络——模糊融合控制机理161

6．4．1 神经网络控制和模糊控制的共同点161

6．4．2 神经网络——模糊推理融合控制的必要性163

6．5 神经网络——模糊推理融合控制结构164

6．5．1 基于神经网络技术的模糊控制器164

6．5．2 自调整量化因子神经模糊控制器164

6．5．3 自学习、自组织神经模糊控制器165

6．6 基于误差动态特性识别器的神经网络——模糊推理控制167

6．6．1 系统结构167

6．6．2 误差动态特性识别器的设计168

6．6．3 模糊控制器结构设计170

6．6．4 计算机仿真171

6．6．5 实验系统及实验结果分析173

后记175

第七章 神经网络——模糊推理多目标跟踪技术178

7．1 引言178

7．2 数据关联问题的Hopfield神经网络解180

7．2．1 问题的提出180

7．2．2旅行商问题180

7．2．3 JPDA算法182

7．2．4 数据关联后验概率的计算184

7．3 数据关联的模糊推理方法187

7．3．1 问题的提出187

7．3．2 数据关联模糊推理方法的基本原理192

7．3．3 数据关联模糊推理方法的神经网络实现196

7．3．4 实验数据处理199

7．4 数据关联的模糊基函数神经网络方法203

7．4．1 模糊基函数神经网络203

7．4．2 正交最小方差学习算法205

7．4．3 改进的正交最小方差学习算法208

7．5 自适应神经网络——模糊推理系统211

7．5．1 ANFIS结构211

7．5．2 混合学习算法212

7．5．3 ANFIS通用逼近性215

7．5．4 ANFIS特点216

7．5．5 协动作ANFIS217

7．6 基于神经网络的学习型模糊跟踪器217

7．6．1 学习型模糊跟踪器结构218

7．6．2 学习算法219

7．6．3 仿真220

后记222

第八章 多目标多传感器跟踪系统224

8．1 引言224

8．2 快速跟踪系统226

8．2．1 问题的提出226

8．2．2 快速关联处理228

8．2．3 降阶快速跟踪系统233

8．3 仅有角测量系统机动目标鲁棒跟踪算法242

8．3．1 鲁棒跟踪问题的提出242

8．3．2 仅有角测量系统的描述243

8．3．3 匀速目标的3种跟踪算法245

8．3．4 机动目标鲁棒跟踪算法249

8．3．5 仅有角测量系统的鲁棒制导规律255

8．4 多目标多传感器跟踪系统信息融合算法259

8．4．1 多目标多传感器关联处理最邻近算法259

8．4．2 相互作用的多重模型算法262

8．4．3 神经网络信息融合268

8．5 多目标多雷达航迹处理和管理273

8．5．1 点迹数据处理273

8．5．2 航迹数据处理274

8．5．3 航迹编号管理275

后记275

第九章 复杂环境下的多传感器信息融合277

9．1 引言277

9．2 复杂干扰环境下的分布式多传感器检测278

9．2．1 复杂干扰环境下多传感器第统的马尔可夫模型279

9．2．2 复杂干扰环境下多传感器系统的融合检测280

9．2．3 仿真计算与结果分析283

9．3 仅有角度信息的多传感器关联预处理算法286

9．3．1 问题的提出286

9．3．2 角度关联的预处理算法287

9．3．3 仿真计算与结果分析292

9．4 多传感器系统冲击干扰的预处理294

9．4．1 冲击干扰的描述294

9．4．2 奇异信号特征提取296

9．4．3 奇异信号的Lipschitz指数检测方法296

9．4．4 抑制冲击干扰的信号恢复299

9．4．5 仿真计算与结果分析303

9．5 复杂坏境下ANN-FRIFS309

9．5．1 问题的提出309

9．5．2 ANFIS置信度判别器设计310

9．5．3 ANN-FRIFS算法312

9．5．4 仿真计算与结果分析317

后记320

附录A321

第十章 多雷达信息融合演示系统322

10．1系统组成与指标322

10．2 系统功能与运行325

10．2．1 功能与运行环境325

10．2．2 运行过程326

10．3 仿真计算与结果分析330

第十一章 信息融合系统展望335

11．1 人工智能——神经网络——模糊推理融合系统335

11．1．1 信息融合技术的进化发展335

11．1．2 研究课题337

11．2 信息融合作战系统338

11．2．1 未来高技术信息战338

11．2．2 未来信息融合作战系统的特色340

11．2．3 研究课题340

11．3 多基地雷达预警系统341

11．3．1 预警探测系统341

11．3．2 高频超视距雷达342

11．3．3 多基地超视距雷达预警系统343

11．3．4 研究课题345

11．4 NN-FR智能化多传感器复合制导技术346

11．4．1 制导技术的发展346

11．4．2 国内外研究概况347

11．4．3 研究课题348

后记350

附录 英文缩写对照表351

参考文献354