智能信息融合与目标识别方法

作品简介

本书研究了信息融合目标识别技术，首先分析了特征级融合目标识别的基本理论，然后研究了多源图像的预处理、结合阈值分割的分水岭算法、结合聚类分割的分水岭算法、目标特征提取方法。对于特征融合方法，研究了基于协方差矩阵多特征信息融合、基于主成分分析的特征融合方法、基于改进免疫遗传的特征融合方法、基于独立分量的特征融合、对典型相关分析特征融合方法的改进。最后介绍了基于优化改进的反向传播神经网络目标识别、模糊支持向量机理论与编程实现、基于模糊支持向量机的识别系统实现。本书适合从事多源信息融合理论、目标识别技术研究和工程应用的技术人员阅读，也可作为高等院校相关专业高年级本科生和研究生的参考教材。

胡玉兰，郝博，王东明等著

作品目录

• 内容简介
• 前言
• 第1章 绪论
• 1.1 概述
• 1.2 研究现状
• 第2章 特征级融合目标识别的基本理论
• 2.1 信息融合目标识别结构
• 2.2 特征级融合目标识别系统基本结构
• 2.3 特征级融合目标识别的关键问题分析
• 2.4 本章小结
• 第3章 多源图像的预处理
• 3.1 多源图像的去噪
• 3.2 多源图像的平滑
• 3.3 多源图像的滤波
• 3.4 本章小结
• 第4章 结合阈值分割的分水岭算法
• 4.1 引言
• 4.2 图像阈值分割概述
• 4.3 常用的阈值分割方法
• 4.4 改进的最大类间方差法
• 4.5 本章小结
• 第5章 结合聚类分割的分水岭算法
• 5.1 图像聚类分割概述
• 5.2 常用的图像聚类分割算法
• 5.3 改进的FCM聚类分割算法
• 5.4 本章小结
• 第6章 目标特征提取方法
• 6.1 传统的特征提取方法
• 6.2 红外和可见光图像特征提取和融合
• 6.3 本章小结
• 第7章 基于协方差矩阵多特征信息融合
• 7.1 图像特征提取
• 7.2 协方差矩阵的构造
• 7.3 多特征信息融合
• 7.4 融合实验结果与分析
• 7.5 本章小结
• 第8章 基于主成分分析的特征融合方法
• 8.1 特征提取
• 8.2 几何特征
• 8.3 主成分分析的定义
• 8.4 基于主成分分析的图像特征级融合实现
• 8.5 本章小结
• 第9章 基于改进免疫遗传的特征融合方法
• 9.1 遗传算法基础理论
• 9.2 一般的免疫算法基础理论
• 9.3 基于改进免疫遗传的图像特征级融合实现
• 9.4 本章小结
• 第10章 基于独立分量的特征融合
• 10.1 ICA的定义
• 10.2 随机变量的独立性概念
• 10.3 ICA独立性的度量
• 10.4 快速固定点ICA算法
• 10.5 基于ICA的图像特征级融合实现
• 10.6 实验结果与分析
• 10.7 本章小结
• 第11章 对典型相关分析特征融合方法的改进
• 11.1 CCA的基本思想
• 11.2 CCA的基本原理
• 11.3 典型相关变量和相关系数的求解步骤
• 11.4 基于CCA改进算法的图像特征级融合实现
• 11.5 实验结果与分析
• 11.6 本章小结
• 第12章 基于优化改进的反向传播神经网络目标识别
• 12.1 BP神经网络
• 12.2 改进的BP神经网络
• 12.3 PSO算法的基本原理和理论基础
• 12.4 PSO优化改进的BP神经网络
• 12.5 仿真结果分析和识别系统实现
• 12.6 本章小结
• 第13章 模糊支持向量机理论与编程实现
• 13.1 模糊数学理论
• 13.2 支持向量机理论
• 13.3 模糊支持向量机理论
• 13.4 模糊隶属度核函数的选择
• 13.5 模糊支持向量机算法的编程实现
• 13.6 本章小结
• 第14章 基于模糊支持向量机的识别系统实现
• 14.1 模糊支持向量机识别系统的架构
• 14.2 图像预处理部分的实现
• 14.3 特征提取部分的实现
• 14.4 目标特征数据库系统的技术实现
• 14.5 模型训练部分
• 14.6 目标识别部分
• 14.7 本章小结
• 参考文献