一种地理网格新概念下的目标数据融合方法

针对全球作战中目标信息表示和数据融合的应用场合,提出了地理网格新概念、编码及与地理坐标之间的转化方法,并将同一目标在地理网格上的多个雷达信息用灰色关联的方法进行融合。该数据融合算法利用同一目标信息之间的灰色关联,减小了干扰和随机因素对数据融合的影响,使目标信息更统一、更精确。给出了该方法的具体步骤,并通过实例验证了方法的可行性和有效性。     

基于多传感器数据融合的机动目标跟踪自适应学习方法

考虑到传感器对目标的观测都存在有偏差，同时针对雷达系统检测中存在漏检的现象，提出了一种适用于处理传感器漏检现象的多传感器融合方法。并以雷达／红外成像复合的双模制导体系下红外和雷达两种传感器对目标状态的检测和跟踪为例，给出一个完整的多传感器数据融合和目标跟踪自适应方法。该方法简单易行，鲁棒性强，通过对红外成像和雷达系统的数据融合和目标跟踪的数字仿真，表明该方法有效。另外，该方法同样适用于多于两个多传感器系统。     

基于多帧聚类的紧凑型HFSWR虚假点迹识别方法

紧凑型高频地波雷达发射功率低,目标检测时信噪比低、虚警率高,会产生大量虚假点迹,影响后续目标跟踪性能。为了滤除虚假点迹,利用目标的运动特性,提出了一种多帧聚类与极限学习机分类两级级联的虚假点迹识别方法。首先,利用基于最优邻域尺寸的多帧聚类方法,将连续多帧中与待识别点迹属于同一潜在目标的点迹聚类成簇。然后,计算簇内待识别点迹与其相邻帧内点迹的距离-多普勒速度的差分值,以其为特征利用极限学习机辨识虚假点迹。实验结果表明,所提方法能够准确将属于同一目标的点迹聚类,虚假点迹识别率达到95%。     

基于强跟踪滤波器估计的最优融合方法

在分布式雷达数据处理模式中 ,数据融合是获得较精确的目标轨迹的主要环节。为克服卡尔曼滤波器对初始值敏感、鲁棒性差和对机动目标跟踪性能差的缺陷 ,通过利用各传感器的观测数据 ,采用强跟踪滤波器对目标进行跟踪 ,以改善目标状态估计的精度。对判定源于同一目标的状态估计值 ,给出了一种估计状态线进行性组合的最优融合准则。得出了实际数据的实验结果。     

多雷达组网虚拟观测卡尔曼滤波算法研究

多雷达组网对空域运动目标跟踪时,组网雷达极坐标测量值与目标状态值呈非线性关系,不满足卡尔曼滤波线性化使用要求。提出将组网融合中心惯性坐标系虚拟为滤波观测坐标系,使得滤波状态和虚拟测量简化为线性关系,通过虚拟观测噪声建模、滤波初始化建模,解决了多雷达组网使用卡尔曼滤波对空域运动目标的最优化滤波估计问题。软件仿真测试和检飞数据验证表明:虚拟观测卡尔曼滤波算法(Virtual-Observation Kalman Filter Algorithms,VOKFA),滤波精度高、算法稳定性好,非常适合于多雷达组网滤波跟踪工程应用。     

集中式多雷达系统维数不匹配处理技术

在集中式多雷达跟踪系统中，经常存在雷达的观测信息维数不一致的情况。为了能正确对所有雷达观测数据进行融合，系统需要首先对维数不匹配的观测数据进行处理。目前，通常采用降维的方法处理数据维数不匹配问题。由于在降维处理过程中，需要丢失目标的高度信息，因此，系统会产生一定的动态误差。当目标的俯仰角度比较大时，系统的跟踪精度必然会下降。针对降维方法的缺点，本文采用升维的方法对数据维数不匹配进行处理，并对这两种方法在不同情况下的跟踪精度进行了仿真分析。     

基于不完全观测数据的多速率多传感器数据融合

研究了一类时变线性动态系统,在不同传感器以不同采样率对同一目标进行观测,并且各个传感器的观测数据存在不规律丢失情况下,给出了一种有效的信息融合方法。该方法通过数学推导,将多速率传感器数据融合转化为单速率传感器数据融合问题,并采用修正的联邦Kalman滤波器进行状态估计。新算法不需要对状态或观测进行扩维,计算量适当,从而保证了算法的实时性。在观测数据丢失的时刻,采用外推的观测值代替错误的观测数据,从而避免了传统算法的发散。理论分析和仿真实验验证了算法的有效性。     

2D雷达组网几何定位融合算法

研究了两部2D雷达组网中的目标定位估计和定位精度问题。为考虑地球曲率对目标定位精度的影响,提出了两雷达站组网中基于实际地球椭球模型的几何交叉定位与数据融合相结合的方法,建立了两部雷达观测定位几何模型,推导了定位方程和精度估计公式并进行了误差分析。仿真分析表明,在选择更为实际的观测模型的前提下,利用几何定位与数据融合方法不但改善了两雷达的定位性能,而且根据定位几何精度因子(geometrical dilution of precision, GDOP)图的特点,选择相应的定位雷达,提高了雷达站组合的几何定位精度。     

基于相对系统误差估计的组网雷达点迹融合技术

雷达组网点迹融合系统中,雷达系统误差的存在导致雷达点迹的空间配准精度不能满足数据关联和点迹融合的需求。提出一种基于相对系统误差估计的组网雷达点迹融合技术,即将各雷达观测统一到本地雷达的系统误差基准上,以实现精确的点迹空间配准。这种融合技术能提高融合航迹的精度,改善多目标环境下数据关联的正确率,并且当本地雷达功能失效时,融合中心可以采用远方雷达点迹进行补盲,实现精确的航迹维持。仿真实验验证了以上结论。     

主、被动雷达数据融合算法研究

对主、被动雷达的数据融合问题进行了研究.由于被动雷达只能测角,不能测距,当其与目标间的相对加速度为零时,目标的距离状态是不可观的,若只利用角度信息进行主、被动雷达数据互联,则当同一方向上有两个以上目标时,主、被动雷达的正确相关率较低.针对这种情况,提出了被动雷达利用伪距离测量方法来估计目标的径向距离信息,从而可利用主、被动雷达的角度和径向距离信息进行数据互联,并给出了直角坐标系下的数据互联算法.仿真结果表明,利用提出的方法可使主、被动雷达可达到较好的数据融合效果.     

基于多任务支持向量机的健康数据融合方法

针对电子健康服务管理中的多源数据融合难题,利用人工智能技术,结合多任务学习理论与支持向量机理论提出基于多任务支持向量机的数据融合方法(multi-task support vector machine for data fusion,简称mSVMDF).该方法对具有相同数据源的特征向量构造基于支持向量机的融合模型,在多任务学习框架下考虑结构稀疏性与各模型关联性的有机结合,以实现对具有不同数据源个数的多源数据的融合,并以多源影像数据与常规检验数据融合为例,开展数值实验验证方法的有效性.实验结果表明mSVMDF方法可以有效地融合具有不同数据源个数的多源数据,同时该方法具有较好的分类性能与结构稀疏性.     

Multi-sources information fusion algorithm in airborne detection systems

To aim at the multimode character of the data from the airplane detecting system, the paper combines Dempster- Shafer evidence theory and subjective Bayesian algorithm and makes to propose a mixed structure multimode data fusion algorithm. The algorithm adopts a prorated algorithm relate to the incertitude evaluation to convert the probability evaluation into the precognition probability in an identity frame, and ensures the adaptability of different data from different source to the mixed system. To guarantee real time fusion, a combination of time domain fusion and space domain fusion is established, this not only assure the fusion of data chain in different time of the same sensor, but also the data fusion from different sensors distributed in different platforms and the data fusion among different modes. The feasibility and practicability are approved through computer simulation.     

数据融合中的残差建模分析与融合算法

多传感器数据融合系统中,传感器之间存在着难以精确建模的系统误差。即便经过校准,仍然会存在残差。残差的量级与随机观测噪声相当,不同的是,残差是一种随时间慢变的系统误差。目前文献中缺乏有效的残差分析建模手段,从而难以提高融合精度。针对上述问题,建立了残差的数学模型,进而提出了残差补偿航迹融合算法。算法将残差增广至目标状态向量,在状态估计的同时完成残差补偿。仿真结果表明,残差补偿算法极大地提高了目标状态估计的精度,显著改善了机动目标的跟踪性能。最后使用雷达实测数据对算法进行仿真,验证了算法可应用于实际工程系统。     

基于多源信息融合与HMM的剩余寿命预测

针对设备剩余使用寿命预测问题, 提出一种基于多源信息融合与隐马尔可夫模型的预测方法。首先, 针对发动机结构复杂、监控数据参数多等问题, 提出一种基于传感器信噪比和主成分分析(principal component analysis, PCA)降维的多源传感器数据融合方法。在此基础上, 利用样本数据训练高斯混合隐马尔可夫模型, 同时为降低模型偏差并避免过拟合风险, 提出一种“定制”策略训练方法, 训练后的模型可用于系统健康状态识别和剩余使用寿命预测。最后, 通过美国国家航空航天局公开的航空发动机仿真数据集对所提方法进行了验证, 并与几种具有代表性且预测精度较高的文献方法进行了比较分析, 验证了方法的有效性。     

多分辨数据融合技术

本文研究了多分辨数据融合算法,设计了双正交小波及对应的ＦＩＲ滤波器。在多分辨数据融合算法中,利用小波变换连接不同分辨率的数据,以便充分利用多分辨率数据中的互补信息。仿真结果表明,多分辨数据融合算法优于传统的数据融合算法。     

一种基于多级信息融合技术的系统故障诊断方法

采用多级信息融合思想,利用系统故障症状的分散性,提出了一种新的系统故障诊断方法。首先,我们采用多传感器同源数据融合来保证量测信号的准确可靠;然后,利用同一故障在系统中的不同表现症状,采用模糊积分融合,融合输出为相对应的故障诊断结果。最后对燃气轮机的多部位故障诊断进行了仿真研究,结果较为理想。     

基于熵的自适应加权投票HRRP融合识别方法

基于不同分类器对同一样本分类能力不同,同一分类器对不同样本可分程度不同的思想,为不同样本赋予不同融合权重,提出了一种基于熵的自适应加权投票高分辨距离像(high range resolution profile, HRRP)融合识别方法。该方法将二分类相关向量机(relevance vector machine,RVM)扩展为多类分类RVM概率模型,并对不同HRRP特征样本进行分类,利用每个多类分类RVM输出的样本后验概率信息计算出的熵值自适应为各个样本赋予权重,使得不同分类器以及同一分类器对不同样本的决策占有不同的比重,熵值越大的样本赋予的融合权重越低,最后通过加权投票方法实现融合识别,得到目标的最终识别结果。仿真实验结果验证了所提方法的有效性。     

基于强化学习和共识融合的分布式协作频谱感知方法

在频谱感知中为了解决不同信誉用户网络节点之间的数据融合问题,提出了一种基于强化学习和共识融合的分布式协作频谱感知方法。该方法将每个感知用户认为是一个智能体(agent), agent通过强化学习算法从相邻节点选择合作用户进行共识融合,采用信誉值作为奖励,确保agent倾向于信誉高的节点进行融合,并同时降低恶意用户的信誉值,使其逐渐退出感知网络,最后采用一致性融合方法使整个网络达成共识,并与判决门限对比,完成协作频谱感知。仿真实验表明,该方法能够有效的识别恶意用户,并通过强化学习提高整个网络的感知性能,使协作频谱感知网络更具智能性和稳定性。