D-S证据理论在炮兵战场电磁辐射源识别中的应用

采用D-S证据理论的数据融合方法解决炮兵战场电磁辐射源识别问题。阐述了D-S证据理论用于多传感器数据融合的基本概念、合成法则、一般步骤及决策准则。与单传感器单周期的目标识别结果相比较,多传感器多周期的方法能显著提高目标识别能力,并将它应用于炮兵战场电磁辐射源识别的数据融合中解决了问题,试验结果证明了该方法的正确性和有效性。     

基于D-S证据理论的多传感器多特征目标识别

 传统多传感器环境下的目标识别方法主要有两种：利用多传感器获得的数据进行数据融合、利用每个传感器信号的特征向量进行特征融合。但这两种方法均存在目标识别精度不高的问题。针对这一问题,本文提出了一种基于D-S 证据理论两次组合规则的融合方法。该方法在提出多传感器目标识别系统模型的基础上,运用D-S 证据理论对单传感器的多特征信息进行数据融合;根据传感器接收信号信噪比来确定传感器可信度,将该可信度作为D-S 证据理论组合规则中的证据权值,以此来完成目标识别。本文提出的方法综合考虑了传感器的多特征信息和传感器的可信度,克服了传统的D-S 证据理论对证据冲突处理能力有限的缺陷。实验结果表明,该方法具有较高的正确性和有效性,提高了目标识别的精度。     

多传感器最大属性数据融合及其目标识别应用

为解决干扰存在下目标分类识别问题 ,在数据融合的决策层上 ,利用属性集和属性测度的概念 ,提出了多传感器最大属性融合方法 ,既考虑了各传感器得到的数据 ,也考虑了各传感器所得数据的可信度。通过试验得到融合后的识别结果优于单传感器的识别结果 ,证明了多传感器最大属性融合方法的正确性和有效性     

动目标的检测,识别与状态估值——数据融合在地面遥感监视系…

研究了多传感器数据融合技术，提出了基于地面多传感器遥感监视系统的目标检测，识别和状态估值中的数据融合算法，最后，进行了计算机仿真，得出了对三批运动目标的检测，识别的状态估值的结果。     

D-S证据理论在目标识别中的应用

分析了D-S证据理论用于多传感器数据融合的基本概念和理论,构造了融合结构,该结构通过预处理先对单一传感器在时域上融合,再对预处理后的数据进行多传感器数据融合,实验结果证明了目标识别的基本概率赋值有了明显提高,验证了这一结构的正确性和有效性。     

基于矩阵分析的一种不确定性推理的数据融合方法

采用不确定性推理的矩阵分析方法，建立了用于目标识别的多传感器数据融合的数学模型。该模型综合了来自多种不同传感器的基于正态分布的检测数据，通过定义相关系数矩了来获取基本可信度分配值矩阵。提出了一种多传感器信息融合的新算法，该算法依靠可信度的积累，通过多级递推融合可获得目标状态基于全局信息的融合估计值。实例分析表明：基于融合后的识别结果较各传感器单独决策的结果性能优化，具有较强的容错性和有效性，并且不确定值较融合前平均下降了74%，从而可精确快速地控制工业生产。     

基于激光雷达和摄像机融合的智能车障碍物识别方法研究

针对智能车环境感知中单一传感器所存在的局限性问题,本文提出一种通过激光雷达融合摄像机来感应识别智能车前方障碍物的方法。首先,通过激光雷达与摄像机之间的校准,来实现目标的三维数据的图像投影,并进行视觉图像与目标的三维雷达数据的融合,以提取障碍物候选区域。其次,提出了一种基于卷积神经网络和SVM的障碍物识别模型,用于训练KITTI数据库中的数据,检测视觉图像中的行人和车辆目标,以此来得到所需要的单帧下各传感器的目标检测数据。实验结果表明,所提出的模型在KITTI中选择的小数据集上获得的模型在实际测试中具有良好的性能,具有可靠的识别能力和良好的分类结果。     

一种基于加权证据合成的多传感器目标识别方法

针对多传感器数据融合目标识别问题，基于D-S证据理论，提出了加权证据合成的时空域目标识别算法。该方法充分利用了多传感器多周期的测量数据，并根据D-S合成规则要求参与合成的各证据具有相同权重的特点，充分考虑了提供证据的信源即各个传感器的可靠性。在合成中，引入证据权的概念，解决了不同权重的多传感器数据融合问题，在一定程度上改善了目标识别系统的性能。最后通过计算实例表明算法是有效的。     

改进时空DS证据理论在车辆识别中的应用

将证据理论作为数据融合方法,将多传感器多测量周期的数据进行融合,讨论了集中式,分布式无反馈,分布式有反馈三种融合方法,将其应用于车辆类型识别方面,并通过实验对这三种方法进行了比较,得出在传感器提供数据较准确时,分布式有反馈融合方法的分辨效果最明显,而在传感器提供数据不是非常准确(甚至错误)时,分布式无反馈方法得到正确结果的准确率最高.     

基于多传感器的数据融合方法和模型研究

数据融合技术受到广泛的关注,本文结合数据融合及其一般功能模型、目标识别融合结构层次,重点分析了基于多传感器的数据融合的算法和级。比较了集中式和分布式融合处理,提出了利用实例,展望了基于多传感器的数据融合技术的发展趋势和困难。     

改进YOLOv5的多车辆目标实时检测及跟踪算法

多车辆目标跟踪时间主要花费在车辆检测模块和对每个车辆表观特征提取模块，一般情况下，车辆检测和车辆表观特征提取是在不同的神经网络中进行的，且一张图中的车辆目标越多，对车辆表观特征提取耗费时间的也越多，推理时间也相应变长。针对这一问题，基于经典的Tracking-By-Detection模式，提出一种改进的YOLO模型：在YOLO网络中添加ReID特征识别模块，使YOLO在输出目标位置信息的同时输出目标特征信息，以提高算法的跟踪速度。针对车辆间彼此覆盖的情况，提出一种基于动态IOU阈值的非极大抑制算法，以提高算法的跟踪精度。最后将YOLO输出的信息进行数据匹配，从而实现多目标跟踪。在UA-DETRAC数据集上验证改进模型的有效性，实验结果表明，将YOLOv5网络进行改进后运用在目标跟踪算法中，相对于经典的YOLO+DeepSORT跟踪模型，在车辆密集的情景下平均推理时间减少了17%；在改进后的网络上添加动态IOU阈值非极大抑制，跟踪精度提高了3.9个百分点。改进后的模型有较好的实时性与跟踪准确率。     

基于D-S证据理论在蜜罐捕获数据中的方法研究

为解决蜜罐捕获数据分析问题,采用基于推理的数据融合方法,分析证据理论用于多检测点数据融合的基本概念和理论,提出了一个新的证据合成公式,并将它应用于数据的分析,实验结果验证了这一方法的正确性和有效性。     

基于小波网络的主被动毫米波数据特征层融合

针对毫米波主被动数据决策层融合预处理代价高、丢失目标信息的缺点,提出了一种基于小波网络的毫米波主被动数据特征层融合方法。该方法从主被动数据中提取特征值,将特征值作为小波神经网络的输入,在小波网络中实现主被动数据的特征层融合,对目标进行识别。实验和计算机仿真表明,对与毫米波主被动数据融合,基于小波神经网络的特征层融合的识别率比基于D-S证据理论的决策层融合的识别率高。     

基于激光三维成像数据的车辆目标方位估计

对目标方位进行精确估计是提高目标匹配识别效率的重要前提,而车辆目标的地面投影轮廓近似于矩形,为此提出了基于激光三维成像数据的车辆目标方位估计方法.首先依据激光成像数据的高程值对数据进行分类,从激光成像区域的三维数据中提取出车辆目标数据进而获取目标的投影轮廓数据,然后采用向量积异号排除法求解车辆目标投影轮廓数据的凸边界,在此基础上采用直接求解凸边界最小外接矩形的方法对车辆目标的方位进行初步估计,最后利用与目标投影轮廓数据邻近的地面数据,并依据最小二乘原理拟合优化凸边界的最小外接矩形,校正车辆目标初始估计方位,从而实现车辆目标方位的精确估计.仿真结果表明,该方法可实现车辆目标方位的快速准确估计.     

基于特征融合方法的车型识别研究

车辆音频信号具有复杂的特征,单一特征提取方法不能全面反应该特点。为了使提取的音频信号特征能更好地反映车辆原始信号,本文提出了将已有的短时能量(ENERGY)、短时傅里叶变换（STFT）及梅尔倒谱系数（MFCC）特征提取方法进行融合的方法,依据支持向量机（SVM）的分类识别算法,达到车辆识别的目的。实验表明,提出的组合方法优于单一提取方法,实现了提高识别率的目标,其中,ENERGY+MFCC组合方式效果最好。     

基于贝叶斯数据融合的多尺度目标识别

针对红外电厂目标识别问题，提出了基于贝叶斯数据融合的多尺度目标识别方法．该方法研究了前视成像末制导过程中图像目标尺度变化引起的视点角度和特征尺度变化规律，建立了分层次的时空特征模型，根据显著性选取目标特征，采用贝叶斯网络把不同尺度下的显著性特征进行融合，得到正确的识别结果．实验表明，该方法能将多尺度目标的不精确、不完整的特征进行融合处理，从而完成了目标的可靠识别．