《智能信息融合与目标识别方法》内容简介

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