多传感器信息融合及应用（何友等著）一至四章节
目录
第一章 多传感器信息融合概述
1.2 多传感器信息融合的基本原理
1.2.1 信息融合的基本原理
信息抽象层次包括检测层、位置层、属性层、势态层和威胁层。
1.2.2 信息融合的级别
信息融合的级别可分为5级（JDL功能模型）：检测级融合、位置级融合、属性（目标）级融合、势态评估和威胁评估。（主要是前三个，后俩是军事上的）
检测级融合
在信号层中进行融合。在多传感器分布式检测系统中，每个传感器对观测先进行一定的预处理，然后将压缩的信息传送给其他传感器，最后在某一个中心融合心诚全局检测判决。
有两种信号处理形式：1.硬判决融合，即融合中心处理0,1形式的局部判决。2.软判决融合，中心处理来自局部节点的统计量和置信度。
分布式信号处理可以分为分布式检测和分布式估计。在分布式检测中，由于传感器进行了预处理，因此相较于集中式检测会有性能损失。通过对传感器信息的最优局部处理和融合可以减小损失。
位置级融合
在传感器的测量或估计状态上进行的融合。主要是时空的融合，多应用在跟踪级上，也是最重要的融合。包括了集中式、分布式、混合式和多级式结构。（多应用在对对象的追踪定位上）
目标识别级融合
目标识别也称为属性分类或者身份估计。用于对对象的定位，表征和识别。例如对复杂系统设备故障的识别，医学上利用监视器对人的健康状况进行半自动监视等。主要目标识别技术有：模板法、聚类方法、自适应神经网络、基于知识的技术。
目标识别层的信息融合有三种方法：数据级融合、特征级融合、和决策级融合。
1.数据级融合
对同量级，同类别的传感器原始数据直接进行融合。一般涉及到图像画面像素级的融合，例如多源图像复合。
2.特征级融合
每个传感器观测目标并完成特征提取以获得特征向量。然后融合这些特征向量获得联合特征向量来产生身份估计。必须要使用关联处理吧特征向量分成有意义的群组。
3.决策级
每个传感器都获得独立的身份估计，然后对每个传感器的属性分类进行融合。用于融合身份估计的技术包括表决法、贝叶斯推理、D-S方法、推广的证据理论、模糊集法等。
1.4多传感器信息融合技术研究的历史与现状
给出一些参考文献，其中《Information Fusion》是一区期刊，很重要。
第二章 状态估计（动态参数估计）基础
2.1 引言
问题大概可以分为两步：一是信号检测；
二是参数估计问题。按照是否随时间变化又可分为静态估计和动态估计。动态估计又称为状态估计。目的是对过去状态进行平滑，对当前状况进行滤波，对未来状况进行预测。
2.2 线性系统估计——卡尔曼滤波
外网有篇文章很好How a Kalman filter works, in pictures。这篇文章的翻译还有很多关于如何通俗并尽可能详细的解释卡尔曼滤波的好回答在知乎的这个链接里都能找到。
注意卡尔曼滤波器需要初始化，常采用二点差分法或三点差分法。
2.2.3 稳态卡尔曼滤波SSKF
对于时不变系统并且将其理想化后可对卡尔尔曼滤波进行简化。其中协方差P为常数，卡尔曼增益K可简化为定值矩阵，从而简化计算量。
2.3 运动模型的稳态滤波器（α-β，α-β-γ滤波器）
二者是简单且易于实现的常增益滤波方法，但仅适用于匀速或匀加速运动。