集中式多传感器模糊联合概率数据互联算法

为解决集中式多传感器系统中多目标跟踪问题,提出了集中式多传感器模糊联合概率数据互联算法。该算法应用模糊数学的方法计算测量点迹与航迹测量预测之间的模糊综合相似度,运用阈值判别及经验概率法则给出模糊联合互联概率的计算方法,提出了集中式多传感器模糊联合概率数据互联算法的状态估计模型。对该算法与已有集中式多传感器联合概率数据互联算法进行仿真比较,仿真结果显示该算法的跟踪精度较后者提高了43.7%,同时有效地降低了周期耗时,综合性能更优越。     

集中式多传感器模糊联合概率数据互联算法

为解决集中式多传感器系统中多目标跟踪问题,提出了集中式多传感器模糊联合概率数据互联算法。该算法应用模糊数学的方法计算测量点迹与航迹测量预测之间的模糊综合相似度,运用阈值判别及经验概率法则给出模糊联合互联概率的计算方法,提出了集中式多传感器模糊联合概率数据互联算法的状态估计模型。对该算法与已有集中式多传感器联合概率数据互联算法进行仿真比较,仿真结果显示该算法的跟踪精度较后者提高了43.7%,同时有效地降低了周期耗时,综合性能更优越。     

多传感器信息融合中的概率数据关联算法

多传感器信息融合是现代C3I系统中的一项关键技术,在军事和民用方面有着极为广泛的应用背景,是目前科技界的一个热门研究.本文提出利用PDA(Probabilistic Data Association)算法最优性能状态来有效减少目标跟踪门内无效观测的数量,达到改善算法性能的目的.通过理论分析,证明本方法的有效性,尤其在强干扰的环境中更为明显.     

多区域互联电力系统联合调度的概率生产模拟

介绍一种多区域互联电力系统的概率生产模拟方法。通过机组可用容量的概率密度分布函数与多区域电力供需可行条件相结合，并基于机组的参数及时序负荷。该方法求解出联合调度下联网系统总生产费用最小时系统的电量不足期望值，进而得出其他生产模拟基本指标。围绕一个四区域算例，对该方法进行了展开阐述。     

多传感器多目标数据互联中的拉格朗日松弛算法研究

拉格朗日松弛算法在现代优化启发式算法中占有重要地位，本文对多维分配问题的拉格朗日松弛算法进行研究，重点研究松弛次序对数据互联结果的影响。研究方法是针对不同测量误差情况下进行计算机仿真实验。结果表明，多传感器多目标数据互联的拉格朗日松弛算法中，松弛探测效果较好的传感器的观测数据，有助于提高目标关联的准确率，且算法的计算量相应减少。该结论使多维分配问题的拉格朗日松弛算法能满足工程上对数据进行实时处理，具有实际应用价值。     

一种基于GA的多传感器多目标数据关联算法

研究了漏检情况下多传感器多目标检测中的数据关联问题,并将其描述为数学规划中组合最优化问题． 当传感器数大于等于３ 时,该问题的求解是ＮＰ的． 文中提出了一种基于ＧＡ（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ） 的数据关联算法,仿真实验表明,该算法具有较高的关联成功率,并能优化求解的目标个数,提高多传感器系统的检测概率．     

基于多传感器数据融合的目标识别和跟踪

基于单传感器（雷达或红外）系统存在局限性,提出了基于多传感器（雷达和红外）信号融合的目标识别和跟踪系统,它能利用不同传感器的数据互补和冗余。特征层融合能通过利用其他传感器模块提供的目标特征信号来提高目标检测概率和降低虚警概率;决策层融合能矫正因受干扰等原因而失去目标跟踪能力的传感器模块的伺服跟踪回路,并提高抗干扰性。     

改进并行集中式数据关联算法

针对目标批次过多导致计算上的组合爆炸问题,提出一种改进并行集中式多传感器不敏近似联合概率数据关联（joint probabilistic data association,JPDA）算法。该算法首先采用基于unscented变换的卡尔曼滤波（unscented Kalman filter,UKF）实现非线性系统中状态估计的递推,然后通过改进的并行集中式方法将数据传至中心,利用改进的JPDA方法进行量测点迹与目标航迹关联。仿真实验表明,该算法在非线性复杂环境中具有较好的数据关联正确率,且计算耗时较集中式串行不敏JPDA算法少。     

基于最优划分的多传感器多目标跟踪NNJPDA算法

传统的最邻近联合概率数据关联算法(NNJPDA)不能直接用于多传感器对多目标的跟踪。针对这一问题,提出了一种适用于多传感器多目标跟踪的最邻近联合概率数据关联算法,它以极大似然估计完成对来自多传感器的测量集合进行同源最优划分,然后采用NNJPDA方法对多目标进行跟踪。经过理论分析和仿真试验,证明了该方法能有效地进行多传感器多目标的跟踪,且具有算法简单、跟踪精度高、附加计算量小等优点。     

多传感器多模型相互作用的数据关联方法

基于信息融合中的数据关联技术,在卡尔曼滤波基础上,结合相互作用多传感器多模型的概率数据互联算法,建立故障监测报警和现场传感器量测数据关联二者之间的关系,建立更具一般性的分布式传感器系统基础上的多传感器多模型,改进概率数据关联方法,以用于故障监测报警中相互作用的算法．并结合一个时变系统中空间位置传感器的故障诊断问题为例,运用多传感器多模型相互作用的数据关联方法进行仿真分析,研究此类故障判据的数据关联问题和数据关联算法的改进,研究表明相互作用多模型的概率数据互联改进方法不仅与有限维数的特定测量阈值相对应,而且直接针对故障模式,能够体现出动态模型的优点,可以与系统诊断知识相融合,为故障诊断的单步的、多步的、长期的预测预报提供依据．     

基于多传感器最小系统的多目标跟踪算法

论文提出了一种基于多传感器最小系统的多目标跟踪算法。首先，采用全邻域方法实现目标的航迹起始，其次，采用修正的多假设跟踪方法完成已确立目标的跟踪和新目标的起始。最后，进行了仿真实验，其结果验证了提出的算法能够很好地完成对多个目标的起始和跟踪。     

一种基于关联规则的增量数据挖掘算法

分析了关联规则增量更新挖掘算法FUP和IUA,指出了其效率低下的主要原因.针对关联规则增量更新问题,提出了一种新的简单高效的增量挖掘算法LIUA,并对算法LIUA进行了测试,测试结果表明算法是高效、可行的.     

一种基于关联规则的数据挖掘算法实现与应用

对Apriori算法加以改进,提出了一种更高效的关联规则挖掘算法,在扫描数据库的同时把支持每个项目的事务都标记出来,采用一种新的方法来计算候选项目集的支持度.该算法只需对源数据库进行一次扫描,就可以找出所有的频繁集,具有很高的效率.     

多传感器数据融合浅析

近十几年以来，多传感器数据融合技术已爱到广泛的关注，它的和方法已被应用到许多研究领域，本文主要阐述数据融合技术在Ｃ＾３Ｉ中的应用，首先介绍了多传感器数据融合的基本概念，进而以国内外发表的文献为例说明了数据融合技术已取得的进展，最后对数据融合技术进行了展望，并提出了我们的对策。     

一种多维时态关联规则数据挖掘算法

在关联规则挖掘中,大量的数据是多维的,且带有时态特性,所以往往需要在时态约束的前提下挖掘多维关联规则．本文从一个实际问题出发,在单维Apriori算法和已有的工作基础上,提出了一种新的多维时态关联规则挖掘算法,并与类似算法进行了比较．     

基于数据库划分的高效关联规则挖掘算法研究

在现有的关联规则改进算法的基础上,深入分析了经典算法的内涵,提出了不产生候选二项集的改进算法,而且减少了扫描数据库的大小.与Apriori算法相比,在较大型的交易数据库中,效率明显提高.