1 - INTRODUCTION À LA FUSION DE DONNÉES

• 1.1 - Définition
• 1.2 - Fonctions
  Figure 1 - Fonctions de la fusion de données
• 1.3 - Niveaux de fusion
• 1.4 - Architectures
• 1.5 - Bénéfices attendus

2 - THÉORIES UTILISÉES

• 2.1 - Mesures et propriétés
• 2.2 - Probabilités
• 2.3 - Probabilités supérieure et inférieure
• 2.4 - Crédibilités – plausibilités
  Figure 2 - Fonctions de crédibilité et de plausibilité Figure 3 - Probabilité, plausibilité et croyance de l’hypothèse H 4 Figure 4 - Proportion d’intersection entre deux disjonctions

3 - RÈGLES DE COMBINAISON

• 3.1 - Combinaison multisource avec les probabilités
• 3.2 - Combinaison multisource avec les crédibilités

4 - OPÉRATEURS BAYÉSIENS DE COMBINAISON

• 4.1 - Combinaison amont
• 4.2 - Combinaisons logiques
  Tableau 1 - Opérateurs logiques
• 4.3 - Combinaison logique adaptative
• 4.4 - Combinaison des vecteurs de vraisemblance
• 4.5 - Combinaison informée par l’incertitude
  Figure 5 - Évolution des probabilités a posteriori des hypothèses d’identification Figure 6 - Évolution du taux de reconnaissance en fonction de F 1 pour différentes valeurs de F 2 (F 3 = 0,7)
• 4.6 - Combinaison en présence d’information corrélée
  Figure 7 - Espace de mesures Figure 8 - Clustering
• 4.7 - Combinaison de sources non homogènes
• 4.8 - Exemple : reconnaissance de signatures radar

5 - MÉTHODES D’ESTIMATION

• 5.1 - Estimation et prédiction bayésienne
  Figure 9 - Propagation de la densité
• 5.2 - Rapport avec le filtre de Kalman
• 5.3 - Apport d’information a priori
• 5.4 - Estimation robuste
• 5.5 - Fusion d’états
  Figure 10 - Ellipse de covariance à (1s, 2s, 3s) pour trois états et l’état fusionné

6 - PISTAGE

• 6.1 - Pistage dans les systèmes centralisés
• 6.2 - Pistage dans les systèmes distribués

7 - FUSION D’INFORMATION

• 7.1 - Méthodes
  Figure 13 - Réseau bayésien
• 7.2 - Réseaux bayésiens

8 - CONCLUSION