本教材在“对潜在目标的跟踪和识别中多传感器多目标数据融合技术”这门短期课程，做了一些新的数据融合算法进行解释和举例说明。许多读者对其中三个领域特别感兴趣，即贝叶斯推理、人工神经网络和模糊逻辑。本书正是包含了这些新发展起来的内容，满足了对这些知识有需求的读者。

第1章 概述
第2章 多传感器系统的应用及优势，大气对信号的衰减作用
2.1 多传感器系统中数据融合的应用
2.2 传感器的选择
2.3 多传感器的优势
2.4 信号波长对其在大气衰减中的影响
2.5 雾的特征
2.6 毫米波传感器的工作频率对其性能的影响
2.7 雨和雾以毫米波雷达信号能量的吸收
2.8 在雨中毫米波能量的反向反射
2.9 红外传感器工作波长对性能的影响
2.10 能见度度量
2.11 红外能理在雨中的衰减
2.12 洮光系数值
2.13 电磁波类传感器的优缺点小结
2.14 大气与传感器系统的坟算机仿真模型
2.15 小结
参考文献
第3章 数据融合算法与融合结构
3.1 数据融合的定义
3.2 处理层1
3.3 处理层2,3和4
3.4 结构的定义
3.5 数据融合处理过程
3.6 数据融合的结构
3.7 各传感器有效覆盖区域的配准和对覆盖区域大小的考虑
3.8 小结
参考文献
第4章 贝叶斯推理
4.1 贝叶斯法则
4.2 贝叶斯推理和经典概率的推理的比较
4.3 用来自两个传感器的不同类型的量测数据提高矿物地检测率
4.4 小结
参考文献
第5章 Dempster-Shafer算法
5.1 算法概述
5.2 算法的实现
5.3 支持度、似然度以及不确定区间
5.4 用 Dempster规则融合多传感器数据
5.5 Dempster-Shafer与贝叶斯判决理论的比较
5.6 小结
参考文献
第6章 人工神经网络
……
第7章 表决融合
第8章 模糊逻辑和模糊神经网络
第9章 确定目标位置的被动数据关联
附录A 普朗克辐射定理和辐射转移
附录B 传感器信任级别相交时的表决融合