应用证据理论(D-S方法)解多传感器数据融合问题

应用证据理论(D-S方法),解在多传感器条件下的数据融合问题。具体方法是根据多个传感器对目标类型判断的基本概率分配函数,不断添加新的传感器数据,更新信任函数和似然函数,最终判断目标类型。并且将D-S方法与其它数据融合方法(如Bayes方法)进行了比较,说明了D-S方法的优越性和先进性。     

基于贝叶斯网络的目标融合识别方法研究

利用贝叶斯网络模型进行目标融合识别是近年来的一个研究热点。以电子战环境中的数据融合为背景，提出了一种以朴素贝叶斯分类器和扩展的朴素贝叶斯分类器为基本结构的目标融合识别模型，采用同质传感器数据优先融合原则对雷达侦察、通信侦察和红外成像侦察数据进行融合。仿真实验表明，该模型可以有效地提高识别系统的准确率、可靠性和稳健性。     

支持向量机在目标融合识别中的应用

针对传感器观测的数据可能存在不完整、缺失的情况,提出了基于支持向量机分类器的空中目标智能融合识别模型。首先,介绍了目标融合识别的原理和层次模型。其次,探讨工程上的需求及其应用,并给出仿真实例。从优化算法的角度上,讨论了将Boost-SVM理论应用于目标融合识别。该模型进行仿真,能较精确的识别目标。最后,进行两种模型识别结果的对比并提出了改进措施。     

雷达目标识别中的BP神经网络算法改进及应用

针对雷达目标信号的复杂性和实用雷达目标识别系统所应具备的稳健性、扩展性及通用性等要求,提出多种简单有效的BP神经网络算法改进。通过平衡训练样本数量、动态重置初始权值、评定网络规模等措施,解决了BP算法收敛速度慢、受初始样本分布影响大等缺陷,提高了识别算法的稳健性和泛化能力。结果已成功应用到不同型号雷达上的多套目标识别系统中。大量试验和长期使用证明了该方法的有效性和实用性     

快速JPDA算法的递归和并行实现

联合概率数据关联算法（ＪｏｉｎｔＰｒｏｂａｂｉｌｉｓｔｉｃＤａｔａＡｓｏｃｉａｔｉｏｎ,ＪＰＤＡ）是密集杂波环境下一种良好的多目标数据关联跟踪算法。但是,当目标的数目增大时,关联概率计算时的计算量爆炸效应一直是一个难题。为降低计算量,有不少文献讨论了次优ＪＰＤＡ算法,但都是以降低关联跟踪性能为代价的。本文将从联合关联事件的构造出发,讨论关联假设事件的分层构造以达到降低计算量的目的。这里的层次可从０取值到某一Ｌ值,０层表示没有任何目标能够跟当前的观测数据关联。Ｌ层表示共有Ｌ个目标可以跟当前扫描得到的观测数据相关联。本文在关联事件的构造中,各层次的搜索具有递归性并可以独立进行,因而可以并行实现。文中还将本文的方法跟有关文献作了比较,并且给出相应的计算机仿真实验及其结果     

一种目标兴趣区的快速识别算法

本文给出了一种基于角特征的目标兴趣区的识别算法。通过对二值图象边缘点的向前和向后K步跟踪,可以得到该点两个方向的方向链码,而一个角则由该两个方向链码确定。然后根据已知目标上角分布的先验信息,将目标的主体提取出来。本文给出的算法可并行实现。计算机模拟结果表明,该算法是有效的。     

基于神经网络数据融合的目标跟踪简化算法

分析了基于神经网络数据融合的目标跟踪算法 ,指出了传统的融合算法计算量大 ,神经网络目标向量不易选取等缺点 ,并提出了一种简化的算法。应用理论分析和蒙特卡洛仿真方法 ,对标准卡尔曼滤波算法和简化的滤波算法进行了比较 ,并给出了均方根误差的统计值。该简化算法原理简单 ,数据处理量小 ,速度快 ,误差小 ,特别适用于多传感器的处理 ,将融合结果反馈给单传感器 ,可提高各单传感器的跟踪精度     

基于神经网络数据融合的目标跟踪简化算法

分析了基于神经网络数据融合的目标跟踪的算法 ,指出了传统的融合算法计算量大 ,神经网络目标向量不易选取等缺点。提出了一种简化的算法。应用理论分析和蒙特卡洛仿真方法 ,对标准卡尔曼滤波算法和简化的滤波算法进行比较 ,并给出了均方根误差的统计值。该简化算法原理简单 ,数据处理量小 ,速度快 ,误差小 ,特别适用于多传感器的处理 ,将融合结果反馈给单传感器 ,可提高各单传感器的跟踪精度。     

遗传算法在飞机目标识别中的应用

针对雷达目标识别中特征维数压缩和神经网络的隐含层结点数的确定等关键问题 ,提出了一种基于遗传算法的目标识别方法 ,该方法首先构造了一个符合目标识别这一特定问题的初始种群 ,然后利用遗传算法模拟生物遗传迭代和自然选择的遗传机理 ,通过多次遗传迭代最终收敛于问题的一个满意解。最后将该方法用于对三类飞机目标的分类和识别 ,验证了该方法用于目标分类和识别的可行性和有效性。     

基于弹性变结构DDBN网络的空战目标识别

采用离散动态贝叶斯网络的直接推理方法作为基础,提出弹性变结构离散动态贝叶斯网络的概念,构建了空战目标识别的弹性变结构离散动态贝叶斯网络模型,给出了相应的推理算法,以此克服了离散静态贝叶斯网络和定结构离散动态贝叶斯网络在目标分类识别过程中出现的问题。通过仿真结果对比,表明该方法可以综合各个时刻各种被观测到的确定和不确定信息,从而更为有效的实现目标的分类和识别。     

子波神经网络及其在自动目标识别中的应用

本文分析了于波神经网络（ＷＮＮ）的生理依据，构造了便于启发式特征抽取的子波。研究了该子波及其相应的ＷＮＮ在非相干雷达船目标特征抽取中的应用。对现场实录的四类船目标回波数据进行实验，结果表明新构造的低维特征具有较高的目标分类应用价值，抗噪性能良好．     

数学形态学在SAR图像目标识别中的应用

提出了一种能够从复杂背景的SAR图像中识别出圆状目标的方法。该方法首先对SAR图像进行双参数恒虚警(B-CFAR)预处理,排除明显的非目标区,增强下一步对目标的识别效果,然后着重分析了上下文相关加权的形态模板生成算法,在此基础上采用不同的数学形态学变换滤波方法对预处理后的SAR图像候选目标区进行识别,并与相关文献比较,对圆状目标得到了良好的识别效果。     

IMM理论在超低空探测与跟踪上的应用

以超低空防御为背景 ,以防御系统雷达和红外传感器的融合为主线 ,运用概率互联理论和交互式多模型理论对超低空目标的探测和跟踪问题进行了仿真。经仿真认定 ,该理论不仅可用于目标的探测和预警 ,也可用于导弹的跟踪和制导     

贝叶斯估计和尺度空间滤波相结合的滤波方法

提出了一种贝叶斯估计和尺度空间滤波相结合的滤波方法。信号的小波系数表现出很强的非高斯统计特性,其密度函数可以用推广的拉普拉斯先验分布建模。利用贝叶斯估计能够较好地提取出信号的小波系数,再由小波逆变换恢复信号。贝叶斯估计较好地保留了信号的边缘信息,但滤波信号尚不够平滑。尺度空间滤波在保留信号边缘的同时,还有很好的平滑作用。两者相结合有很好的滤波效果。     

基于多项式网络的空袭目标类型识别模型

给出了进行目标类型识别的指标集 ,建立了基于多项式前向神经网络识别模型。该模型具有三层结构 ,隐层、输出层分别采用多项式函数和线性函数作为激活函数 ;隐层 输出层的权值用最速下降法学习 ,输入层 隐层的权值用遗传算法进行学习。实例表明该模型是可行的。     

红外序列图像中缓动点目标的流水线检测算法

主要讨论了红外序列图像中缓动点目标的流水线检测算法。把序列图像看成一个三维空间 ,设计了两个流水线 ,即分割流水线和检测流水线。前者通过求差值图像的门限分割 ,获得侯选目标点 ;后者对剩下的目标点进行窗口幅值累加和门限处理 ,获得目标点。实验显示 ,可以用 15帧图像较高效地检测出目标。最后对算法的性能和实验结果作了分析。