基于混沌理论的海杂波背景下雷达回波数据处理

提出一种海杂波背景下雷达回波数据处理的设计方案：即不改变原始数据动态特性基础上对其进行预处理,再检验数据的混沌性,最后利用径向基函数（RBF）神经网络作为预测器,对目标有无进行判断。实验结果表明,该方案可以有效提高海杂波背景下雷达的探测能力。     

杂波环境下基于红外传感器和雷达融合的机动目标跟踪算法

提出一种在密集杂波环境下多传感器机动目标跟踪算法,在利用雷达测量数据的基础上,融合红外(IR)传感器获得的精确角度信息来提高机动目标跟踪性能。通过计算机仿真,该算法较传统概率数据关联(PDA)对于航迹跟踪成功率和位置估计的准确率更为有效。     

强海杂波背景条件下海上目标检测方法

为了减少展宽的一阶海杂波谱对空间超分辨谱估计技术的影响，提高MUSIC算法的检测性能，用径向基神经网络实现海杂波预测和对消．利用神经网络的可对任意非线性函数模拟的特性，对展宽的海杂波进行模拟，用模拟后的结果实现一阶海杂波的对消，来满足MUSIC算法的应用条件．最后用MUSIC算法分辨海上目标的方位信息．实验结果表明，对消前后目标背景噪声子空间特征值发生改变，对消后更接近于MUSIC算法的假设条件，提高了MUSIC算法的检测性能，扩大了MUSIC算法的应用范围，实现在非高斯噪声背景条件下应用MUSIC算法检测目标．确定最小的相空间维数和时间间隔，采用更先进的神经网络算法，可以提高神经网络的预测速度．     

全息警戒系统的研制

利用全息技术，研制成了旋转全息园盘，并与微机结合，开发了一种体积小，性能高的室内警戒系统，使用不可见激光束垂直投射到旋转全息园盘上，产生复数衍射光束向不同方向传播。人或物体上的反射散乱光经全息园盘收集，菲涅尔透镜聚集，通过光电转换器送入微机处理判别，在约１０ｍ＾２的警戒区域内，能够快速监测出人的存在及其移动情况。     

组网雷达自适应数据融合跟踪算法

针对高速、机动目标的实时、精确跟踪问题,提出一种能在线调整组网雷达中各雷达权值的自适应数据融合算法。按照一定的规则寻找最佳的权系数,使融合后目标的状态估计值最优;把输入信号用作自适应滤波器的量测信号,利用新息相关的自适应滤波算法对状态方程及量测方程中误差的变化调节增益矩阵的大小,同时根据自适应滤波的状态偏差输出信号与当前的量测数据,运用模糊推理规则对组网雷达系统中各雷达的权值进行在线调节;系统输出结果即为自适应数据融合下目标的最优状态估计值。仿真结果验证了该算法在跟踪精度和收敛速度上的优越性,实现了组网雷达系统对目标的自适应跟踪。     

杂波环境下基于视听信息融合的目标跟踪

以监控系统为研究背景,充分利用场景中视听媒体间存在的天然时空相关性,将视觉信息和听觉信息有效地融合从而实现对目标的快速跟踪.利用机器视觉相关理论提取视觉运动特征,利用计算听觉场景分析技术抽取音频场景特征,建立视听信息特征级融合模型并进行联合场景事件判断.仿真结果表明,应用视听信息融合对目标进行跟踪,预测误差小于单独基于视觉的目标跟踪,同时听觉信息的引入有助于克服图像噪声.     

基于时域廓线的云杂波背景下红外弱小目标检测

根据目标和背景时域特性,建立了目标、云杂波边缘、干净天空背景以及云内部四种像素点的时域模型.并以这四种时域模型为基础,提出了一种云杂波背景下基于时域廓线的弱小目标的检测方法.检测前利用最大中值滤波器进行空域处理,去除了大部分云边缘虚警点.理论分析和实验结果表明,该算法能有效检测出云杂波背景下的小目标.     

机载非正侧阵雷达杂波背景下的信号检测

机载非正侧阵雷达由于弯曲杂波的出现,给信号检测带来了很大的困难,并且由此带来了大量虚警,本文提出了对弯曲杂波的搜索方法,抑制弯曲杂波区域的杂波信号的输出,大大降低了虚警概率,同时改变了恒虚警检测后,信号的提取准则,有效地提高了杂波背景下的信号检测能力。     

带位置和速度观测的信息融合Kalman跟踪滤波器

应用基于ARMA模型的现代时间序列分析方法,和应用基于Riccati方程的经典Kalman滤波方法,对带位置和速度观测的两传感器系统,在线性最小方差信息融合准则下,分别提出了按矩阵加权、对角阵加权和标量加权的三种信息融合Kalman跟踪滤波器,其中,按标量加权可明显减少计算负担,便于实时应用。一个仿真例子说明了两种方法引出相同的结果,但构造ARMA新息模型时必须进行左素分解,且说明了三种加权融合滤波器的精度无显著差异。     

一种分布式多雷达航迹数据融合系统

有效利用多传感器信息，扩大和提高系统监测目标的能力是包括空中交通管理在内的众多领域需要的重要技术．作者在设计和实施的一个分布式多雷达信息融合系统中，提出了一种适用于线性扫描方式显示输出的水平带状空域划分时空对准方案和多信息多层次目标航迹关联融合方法．给出了系统设计的关键技术和算法．     

多传感器信息融合的结构及其算法

文章介绍了多传感器信息融合的四种结构及其算法.并阐述了各自的优缺点,集中式最大的优点是信息损失最小,但计算负担重;分散式结构,系统的可靠性和容错性高,计算和通信负担比集中式要轻;分级融合结构,其计算和通信负担介于集中式结构和分散式结构之间.     

多传感器数据融合在切割机器人系统中的应用

为了对造船中所用型材变形进行在线检测，在高精度划线切割机器人系统中，建立了多传感器检测系统，引入基于小波变换和虚拟噪声自适应卡尔曼滤波的多分辨率最优多传感器数据融合方法，实现了对噪声统计量缺乏先验知识和模型参数不确切的多分辨率多传感器的数据融合。实验结果表明，多传感器数据融合可以有效地实现变形型材的在线检测，提高系统的测试精度和可靠性。     

一种杂波环境下的多目标跟踪算法

以实用有效的 JPDA算法为基础 ,运用直接计算后验概率的快速关联算法 ,结合两级自适应滤波器 ,同时考虑邻近目标干扰引入等效噪声协方差 ,提出了一种杂波环境下的多目标跟踪算法。理论分析和计算机模拟结果表明 ,算法有效降低了数据关联算法的复杂度 ,且计算量显著减少 ,实时性得到提高     

基于多传感器抗差融合的UKF弹道跟踪算法

弹道跟踪测量过程中,由于环境的复杂性和测量机制自身的问题,测量数据不可避免存在异常值等.传统的加权观测融合估计算法往往直接对来自各个传感器的测量数据进行处理,忽略了数据质量问题对滤波精度的影响.为解决此问题,在加权观测融合算法的基础上引入抗差估计理论,根据观测融合值与融合预测值,计算测量融合残差向量、抗差权重因子和融合观测向量等价协方差阵,实现了异常值的实时分离与修正,解决了融合过程中由于测量数据存在污染导致弹道数据处理精度下降的问题.同时引入平方根滤波思想,避免了常规UKF中误差协方差矩阵非正值引起的滤波散度问题.仿真结果表明该算法估计精度高,计算负担小,能有效地减小测量误差对弹道定轨精度的影响.     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.     

基于信息融合的井下图像跟踪

提出了一种新的井下图像跟踪算法图像相关算法与卡尔曼滤波器之间的信息进行融合·此算法基于贝叶斯规则,将一种常用的均方差图像相关算法和卡尔曼滤波器两者信息进行融合,得到一种新的成像跟踪算法·改进后的算法融合了MSD相关器和卡尔曼滤波器两者的信息,使得两者之间的信息反馈增强,提高了跟踪算法的性能和鲁棒性,大大减少了目标失锁的可能性·另外,改进后的算法还融合了噪声的统计性能,提高了对噪声的抑制能力·从理论计算和实验结果看,用这种算法获得的图像比一般相关算法获得的图像更具有真实性和准确性·     

分布式多目标跟踪中数据融合的一种新方法

数据融合问题是分布式多传感器多目标跟踪中的关键问题。相关文献在航迹和假设的相容性判别以及数据融合过程的分析等问题上存在一些不足。该文从“无矛盾原则”出发,给出了准确而完善的航迹和假设相容性判别条件,澄清了前人在此问题上的一些模糊概念。对航迹和假设的融合过程做了详细的分析,提出了“定向融合航迹”和“自由融合航迹”的概念。按照新的航迹和假设相容性判别条件,进行了仿真实验。实验结果证实新方法是有效性的。     

多元数据融合技术在低空领域监视中的应用研究

各种低空、超低空飞行目标对空中交通安全以及国土防空提出了严峻的挑战,亟需解决低空空域的监视问题。本文分析了低空领域监视的需求分析、目前低空领域监视的主要手段,提出用多元数据融合技术来解决低空领域监视中的问题,并对多元数据融合技术进行了分析和研究,指出了数据融合技术在低空监视领域的应用前景。