本书知识点明确、结构紧凑、思路清晰，通过理论与实例结合的方式，深入浅出地介绍了多传感器数据智能融合的理论与应用技术。
全书共11章，包括多传感器数据融合概述、数据融合结构与算法概论、贝叶斯推理方法、证据理论算法与数据融合、模糊理论及其在数据融合中的应用、人工神经网络与数据融合算法、遗传算法及其在数据融合中的应用、粒子群算法及其在数据融合中的应用、智能视频监控系统的数据融合算法、深度学习及其在数据融合中的应用、多传感器数据融合机器人平台的设计与实现。每个章节中都配有必要的实例，目的在于让读者结合实例更加快捷地掌握多传感器数据智能融合方法的设计与实现。
本书面向大专院校与科研机构中学习多传感器数据智能融合理论的中、高级用户，以及对该理论有一定基础的工程技术人员，旨在帮助读者快速掌握智能数据融合算法设计与实现的技巧和方法，强调对高年级大学生、研究生的实践能力培养。

前言
第1章 多传感器数据融合概述
1.1 多传感器数据融合基本描述
1.2 多传感器数据融合的基本原理描述
1.3 数据融合技术的应用领域
1.3.1 数据融合技术在机器人领域的应用
1.3.2 数据融合技术在图像处理领域的应用
1.4 数据融合研究的国内外现状简介
1.5 本书主要内容
参考文献
习题与思考
第2章 数据融合结构与算法概论
2.1 多传感器的数据融合架构
2.1.1 集中式融合结构
2.1.2 分布式融合结构
2.1.3 混合式融合结构
2.2 多传感器系统的多层次融合分析
2.2.1 多层集中式的数据融合结构
2.2.2 多层分布式的数据融合结构
2.2.3 多层混合式的数据融合结构
2.3 多传感器数据融合中的卡尔曼滤波理论
2.3.1 卡尔曼滤波简介
2.3.2 序贯式卡尔曼滤波融合算法
2.4 本章小结
参考文献
习题与思考
第3章 贝叶斯推理方法
3.1 贝叶斯法则及其应用
3.2 贝叶斯网络
3.2.1 贝叶斯网络的数学模型
3.2.2 贝叶斯网络中的有向分离
3.2.3 贝叶斯网络的结构学习
3.3 贝叶斯网络推理计算应用实例
3.4 本章小结
参考文献
习题与思考
第4章 证据理论算法与数据融合
4.1 DS算法概述
4.2 DS算法的理论体系
4.2.1 识别框架
4.2.2 支持度、似然度、不确定区间
4.2.3 Dempster合成规则
4.3 证据理论与贝叶斯判决理论的比较
4.4 证据理论在图像融合中的应用举例
4.4.1 基本概率赋值的获取
4.4.2 学生端坐状态实验
4.4.3 学生左顾右盼状态实验
4.4.4 学生埋头状态实验
4.4.5 复杂状态实验1
4.4.6 复杂状态实验2
4.4.7 与基于贝叶斯方法的行为分析与推理决策的比较
4.5 本章小结
参考文献
习题与思考
第5章 模糊理论及其在数据融合中的应用
5.1 概述
5.2 模糊控制器的组成及其基本原理
5.2.1 模糊控制器组成
5.2.2 模糊计算原理
5.3 一种球杆系统模糊控制器的设计与仿真
5.3.1 球杆系统模糊控制器设计步骤
5.3.2 球杆系统模糊控制器设计
5.3.3 球杆系统模糊控制器仿真
5.3.4 球杆系统模糊控制器改进与仿真
5.4 多传感器模糊融合推理
5.5 本章小结
参考文献
习题与思考
第6章 人工神经网络与数据融合方法
6.1 人工神经网络简介
6.2 BP神经网络的结构与原理
6.2.1 BP神经网络的结构
6.2.2 BP神经网络算法的数学表达
6.3 BP神经网络与多传感器数据融合算法
6.4 Hopfield神经网络原理及应用
6.4.1 Hopfield神经网络原理
6.4.2 基于Hopfield神经网络的路径优化
6.5 本章小结
参考文献
习题与思考
第7章 遗传算法及其在数据融合中的应用
7.1 遗传算法简介
7.2 遗传算法的基本操作
7.2.1 选择
7.2.2 交叉
7.2.3 变异
7.3 遗传算法的实现与应用举例
7.3.1 求函数y=x2在区间［0,31］范围内的最大值
7.3.2 一种基于多参数融合适应度函数的遗传算法
7.3.3 遗传算法在空中目标航迹关联融合中的应用
7.4 本章小结
参考文献
习题与思考
第8章 粒子群算法及其在数据融合中的应用
8.1 粒子群算法介绍
8.2 基于动态权值的粒子群算法在多传感器数据融合中的应用
8.3 一种自适应模型集的交互多模型辅助粒子滤波算法
8.3.1 机动目标跟踪模型介绍
8.3.2 交互多模型辅助粒子滤波算法
8.3.3 算法特点分析
8.4 本章小结
参考文献
习题与思考
第9章 智能视频监控系统的数据融合算法
9.1 智能视频监控系统介绍
9.2 多传感器图像融合方法
9.2.1 基于多分辨率像素融合
9.2.2 HOG算法介绍
9.2.3 HOG特征融合
9.3 基于HOG特征融合的人体检测
9.3.1 视觉激活度
9.3.2 融合梯度方向直方图
9.4 运动目标的视频检测与跟踪算法
9.4.1 多个运动目标的跟踪问题描述
9.4.2 运动目标跟踪中的多特征数据融合方法
9.4.3 分块多特征融合的多目标跟踪
9.5 本章小结
参考文献
习题与思考
第10章 深度学习及其在数据融合中的应用
10.1 引言
10.2 卷积神经网络
10.2.1 卷积操作
10.2.2 池化操作
10.2.3 空洞卷积
10.2.4 非线性激活函数
10.2.5 反向传播算法
10.2.6 卷积神经网络的发展历程
10.2.7 深度学习开发框架
10.3 长短期记忆网络
10.3.1 遗忘门
10.3.2 输入门
10.3.3 输出门
10.4 生成对抗网络
10.4.1 简介
10.4.2 生成对抗网络的优化目标函数
10.4.3 生成对抗网络对目标函数的优化
10.4.4 一些经典的生成对抗网络模型
10.5 深度学习在多传感器数据融合中的应用