基于DST-IFS的空中目标敌我属性综合识别

为了实现复杂战场环境下空中目标敌我属性的综合识别,在利用证据权重衡量信息可信度的基础上,提出了一种基于DS证据理论和直觉模糊集相结合(Dempster-Shafer evidence theory intuitionistic fuzzy sets,DST-IFS)的综合敌我识别方法。首先,分析了空中目标综合敌我识别问题,给出了具体的识别流程;然后,针对DS（Dempster Shafer）函数向直觉模糊集转化过程中存在增大信息不确定性的问题,提出了一种信度分配方法用于直觉模糊隶属度和非隶属度赋值,并利用算例验证了信度分配方法的适应性和有效性;接着,〖JP〗给出了基于理想点法（technique for order preference by similarity to ideal solution,TOPSIS）的DST-IFS决策方法步骤;在此基础上,提出了一种基于DST IFS的空中目标综合敌我识别的方法;最后进行了实例分析,验证了该综合敌我识别方法的有效性。     

侦察信息融合处理仿真系统的设计与实现

介绍了一种侦察信息融合处理仿真系统的设计和实现方法，该系统由战场剧情仿真系统、数据融合处理系统和数据库系统构成。其中数据融合处理系统是整个系统的关键部分，由基于jerk模型的机动目标融合跟踪模块、基于模糊推理的目标识别模块以及态势感知模块组成。系统模拟了主动雷达，被动雷达，敌我识别器，通信侦察设备等多种传感器对海空战场态势进行综合感知的信息处理流程，构建了侦察信息融合处理仿真系统，并对一个典型的战场场景进行了仿真实验。     

异类传感器多目标检测跟踪与识别随机集模型

为在空中预警监视系统中实现多异类传感器多目标联合检测、跟踪与识别,在多目标检测、跟踪的随机有限集模型基础上,进行多异类传感器多目标联合检测、跟踪与识别的理论模型与处理框架研究。通过对目标的运动学状态与目标识别属性状态统一描述,把多目标状态建模为一个用随机有限集描述的全局状态。通过对运动学传感器与属性传感器模型分析,把各异类传感器建模为一个全局传感器,并把各传感器的测量建模为一个用随机有限集描述的全局测量。根据全局状态与全局测量模型,把异类传感器多目标联合检测、跟踪与识别过程描述为Bayes滤波过程,并给出了相应的多异类传感器多目标联合检测、跟踪与识别处理框架。通过仿真试验验证了理论模型与框架的有效性。     

一种基于电子侦察和光学成像侦察的目标综合识别算法

利用电子支援措施(electronicsupportmeasure,ESM)和光学成像传感器等不同类型传感器进行目标综合识别,是现代综合电子战中的一个重要研究课题。提出了一种基于模糊集理论和D S证据理论的异类传感器目标综合识别算法,充分利用了电子侦察和光学成像侦察提供的独立、互补的信息,获得了对目标的有效识别。仿真结果证明了这种算法的有效性。     

一种基于D-S推理的异源信息目标识别方法

讨论了多帧异类信源的目标识别问题,将D-S证据推理应用于多传感器的数据融合,将异类辨识框架下的证据体组合得到新置信指派,利用多个传感器共同或联合操作的优势来提高目标识别的有效性和精确性。同时给出基于基本概率赋值决策的目标识别时序累积方法。最后通过仿真验证了该方法的有效性,可信度及准确性得到提高,具有比累积前更可信的特点。     

基于相关性函数和模糊综合函数的多传感器数据融合

针对多传感器数据融合过程中,各传感器可靠度估计的困难和如何对不同类型的传感器数据进行融合,提出了一种基于相关性函数和模糊综合函数的多传感器数据融合方法。该方法首先利用相关性函数计算多传感器的相互支持程度,然后由隶属函数得到每个传感器提供信息的可信度,最后用模糊综合函数获得多传感器对目标属性的融合结果。该方法计算简单,客观地反映了各传感器的可靠程度及相互关系。将该方法用于一个目标识别任务的仿真实验,结果表明应用该方法能确定地识别出目标,是一种有效可行的多传感器数据融合方法。     

模拟对抗演习探测识别信息量化及其效能评估

在模拟对抗演习中,如何量化战场信息以及怎样评估战场信息的效能是一个值得研究的新课题.而传感器探测/识别信息是战场信息的源头,战场信息的量化及其效能评估,首先要解决的问题是对探测/识别信息的量化及效能评估.依据复杂系统理论,找出信息量化的切入点在指挥人员决策前所拥有的战场态势信息上.建立了基于信息熵的、以知识表达的信息量化模型.提出了用模拟对抗演习知识与兵力损耗交换比和战斗损伤比较的途径,对探测,识别信息效能进行评估的方法.     

灰色关联理论在辐射源识别中的应用

针对复杂战场电磁环境中辐射源目标识别难的问题,提出了一种基于灰色关联理论的辐射源识别方法.该方法首先提取辐射源信号的特征参数,同时选取灰色关联分析中的比较数列和参考数列;其次定义辐射源数据库为识别框架并计算各传感器基本概率赋值;最后进行证据组合与决策实现目标识别.最终的应用举例及对比实验验证了该方法的有效性.     

基于证据理论的战场被动声多目标识别研究

Dempster组合规则是证据推理的重要部分,广泛应用在多传感器信息融合算法中。组合法本身存在一些不足之处,应用到战场多目标识别中不能达到满意的识别率。分析了两种改进组合方法的基本理论和特点,应用到战场多类声目标识别的特征融合实验中均获得满意的识别结果。验证了两种改进组合方法在战场目标识别中具有一定的应用前景。     

分布式异类传感器网异步采样下的航迹起始算法

为解决分布式异类传感器网异步采样下的航迹起始问题,基于模糊集理论,定义了测量集与目标间的模糊综合贴近度。基于模糊综合贴近度提出了分布式异类传感器网航迹起始算法。该算法通过模糊综合贴近度函数全局极值点的检测实现目标的检测,用与目标相关联的测量估计目标的初始状态。算法的特点是不需要掌握目标探测概率、虚警率、杂波密度等诸多信息。仿真实验验证了算法的有效性。     

非标准多传感器信息融合下的状态融合估计

给出了标准多传感器观测信息的统一融合模型,在此基础上分析了传感器观测系统参数对最优融合估计性能的影响.针对存在量测系统误差的非标准多传感器融合系统,构建了一种有效的系统误差参数估计模型.此外对传感器问具有不同非线性误差成份的融合系统,提出了一种基于互迭代自适应半参数的状态融合估计算法.该算法通过对非标准多传感器融合模型误差的补偿,利用线性和非线性迭代的方法来提取非线性因素,进而确定状态的最优融合估计.给出了应用该算法的具体步骤,并通过理论分析与仿真实验证明了该算法的有效性.     

基于因子图的车载INS/GNSS/OD组合导航算法

针对车载多传感器组合导航系统中传感器有效性动态改变,以及传感器存在异步和时延的问题,提出了基于因子图的INS/GNSS/OD组合导航算法。采用因子图方法对惯性导航系统(inertial navigation system,INS)、全球导航卫星系统(global navigation satellite system,GNSS)、里程计(odometer,OD)进行建模,构建了INS/GNSS/OD组合导航系统因子图模型。采用变量消除算法将因子图转化为贝叶斯网络,并通过贝叶斯树的形式实现增量推理,确保了因子图算法的实时性。仿真结果表明,当传感器有效性动态改变,以及传感器存在异步和时延时,基于因子图的组合导航算法能够连续稳定地输出高精度的导航结果,满足了车载INS/GNSS/OD系统的要求。因子图算法具有很强的鲁棒性和灵活性,在处理多传感器信息融合问题中具有较大优势。     

基于加权证据组合的多传感器目标识别

为了解决多传感器信息融合中不同等级重要信息源数据的融合问题,在证据理论基本概念的基础上,引入证据权的概念。依据证据权的不同对各条证据进行转化,使之可以用传统的方法进行证据合成。将这种方法应用到等级不同的多传感器目标识别中可以解决传统证据理论只能进行等级相同传感器目标识别的难题。识别实例表明,该方法提高了目标识别的准确性和有效性。     

相关量测噪声情况下多传感器集中式融合跟踪

在实际的多传感器融合目标跟踪中,各传感器之间的量测噪声往往是相关的。对于量测噪声相关的多传感器量测,利用Cholesky分解和单位下三角阵的求逆方法,将其转化为量测噪声互不相关的等价的多传感器伪量测,然后基于Kalman滤波,提出了一种解决量测噪声相关情况下多传感器融合目标跟踪问题的新算法。与已有的和直接利用原始传感器量测的集中式融合算法相比,三者在计算精度上完全等价,但新算法的计算复杂度却大大降低。数值仿真实验进一步验证了新算法的有效性。     

异步航迹关联算法与仿真

在分布式多传感多目标信息融合系统中,由于每个局部传感器的采样频率不同以及具有不同的通信延迟,导致送入融合中心的局部航迹往往不是同步的。本文提出一种异步航迹的关联方法,该方法首先基于最小二乘法实现单传感器的时域融合,从而将多传感异步航迹同步化;然后利用网络优化算法,获得相应于每个目标的各个传感器的局部航迹组合。仿真试验表明本文算法在解决异步航迹关联问题的有效性。     

一种空间信息融合的D-S算法研究

多传感器信息融合技术已获得了普遍的关注和广泛的应用,其理论和方法已成为智能信息处理的一个重要领域,证据理论是主要的技术之一。在目标识别系统中,为了获得可靠的识别结果需要考虑时间和空间的融合问题。从多传感器信息的时间域和空间域的融合出发,提出了在目标识别中多传感器信息的时空两级融合模型,以及基于证据理论的信息融合算法。仿真结果表明,该模型和算法具有方法简单、运算量小、可靠等优点,具有一定的理论意义和使用价值。     

Sensor management based on fisher information gain

1 .INTRODUCTIONSensor management can be described as a systemor process that provides automatic or semi-auto-matic control of a group of sensors[1]. The basicobjective of sensor management is to select rightsensors to do the right service on the right targetat right ti me based on external measurements orcriteria[2]. A variety of techniques have been pro-posed or appliedtothe area of sensor management .One of the first articles to apply opti mization tech-nique to sensor management is by …     

Uncertain information fusion with robust adaptive neural networks-fuzzy reasoning

1 .INTRODUCTION Under increasingly complex operational circumstances ,there exists uncertain information in the sensors andthe networks of the multi-sensor system. The uncer-tainty occursin various manners ,e.g.the uncertaintyof multi-sensor systemstructure (includingthe dynam-ic ti me-variation property) and the uncertainty of theinformationitself (including fuzziness (containing am-biguity) ,randomness ,incompleteness (including de-fectiveness) as well as roughness) . And uncertainin-for…     

基于平方根UKF的多传感器融合再入段目标跟踪研究

为了提高再入段目标跟踪的精度,将平方根不敏卡尔曼滤波（unscented Kalman filter, UKF）算法与多传感器分布式融合算法相结合,提出了基于平方根UKF的多传感器融合跟踪算法。在各个独立的传感器中利用平方根UKF滤波器进行状态估计,然后通过分布式融合方法融合各传感器的状态估计值得到全局的状态估计值和误差协方差,将全局误差协方差进行加权对各传感器进行分配更新。通过仿真验证,基于平方根UKF的多传感器融合跟踪算法具有较高的跟踪性能,是一种有效的非线性融合跟踪算法。