基于D-S 理论的目标识别

利用目标回波所提供的信息 ,在 D- S理论的基础上 ,综合利用各种目标识别方法进行目标识别 ,在很大程度上提高了目标识别率及识别结果的可信度 ,且有更好的目标分类效果。     

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D-S证据理论的修正融合目标识别模型

在分析D-S证据理论中证据合成规则的局限性之后,根据合成证据中集合大小、相交程度以及证据间的相关性和互补性,引入一个合成因子λ,并给出了λ的经验值,这种新规则对于证据之间完全冲突的情况也能给出合乎直观的合成结果.应用于实际的红外/毫米波融合目标识别系统,也取得了满意的正确识别结果.     

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。     

基于模糊集与改进证据理论的目标识别

在基于模糊理论目标识别基础上,通过对模糊隶属度进行重新分配,较好地克服了随机因素的影响,同时对已有的证据理论合成进行改进,将模糊集理论和改进的证据理论结合,可望进一步提高对空中目标的正确识别率.     

BP和D-S结合的多传感器协同目标识别推理机制

针对多传感器协同目标识别的基本概率赋值在实际应用中存在容易导致决策可信度低等难以解决的问题,提出一种基于BP神经网络和D-S证据理论的多传感器协同目标识别的推理机制。简述了BP神经网络理论和D-S证据理论,构建了目标识别推理框架,推理了算法可行性,进行了实例仿真,通过信息融合,不确定性的基本概率赋值下降到0.000 8,表明该推理机制的有效性。     

D-S证据理论数据融合方法在目标识别中的应用

为解决车辆目标识别问题 ,采用基于推理的数据融合方法 ,分析了 Dempster- shafer证据理论用于多传感器数据融合的基本概念和理论 ,并将它应用于车辆目标识别的数据融合中 ,实验结果证明了基于融合后的识别结果较单传感器的识别结果好 ,验证了这一方法的正确性和有效性     

基于D-S证据理论的模糊聚类图像融合分割

针对模糊聚类图像分割算法的固有缺点,提出了一种基于D-S证据理论的模糊聚类图像融合分割算法。对图像的点灰度特征和块灰度特征分别进行模糊C均值聚类,并将各自的模糊隶属度转化为单一或复合假设及其基本概率赋值,再利用D-S证据理论进行融合分割。实验结果表明该算法的分割效果优于传统的模糊聚类分割算法。     

D-S证据理论中冲突问题的解决方法

针对传统D-S证据理论中冲突证据合成存在的问题,提出一种基于数学模型修正证据源的冲突证据合成方法.在不改变Dempster组合规则的前提下,逐一比较识别元素的基本概率分配值和平均基本概率分配值,结合数学模型修正基本概率分配.仿真结果表明,该方法在处理冲突证据合成时有效、可行.     

D-S算法在信息融合中的研究与实现

多传感器的信息融合处理需要对目标进行有效识别仍是目前备受关注的问题之一,D-S证据理论作为一种重要的融合算法已被广泛应用。本文对D-S算法在目标识别问题中进行了较全面深入的研究,并从信息融合角度对D-S证据理论进行了实现和验证。     

模糊神经网络与证据理论的飞机目标敌我识别

为满足复杂环境下目标敌我属性识别能力,提出了一种基于模糊神经网络（FNN：Fuzzy Neural Networks）和证据理论的新敌我识别方法。该方法利用模糊神经网络和证据理
论信息的处理能力,将敌我识别器(IFF:Identification Friend -or-Foe）、电子支援措施(ESM:Electronic Warfare Support Measure)、雷达及红外获取的信息融合,进行敌我识别。
仿真结果表明,该方法的识别能力明显优于单一模糊神经网络分类器,识别率达0.994,同时具有很强的容错性和一定的抗干扰能力,更适合战场需要。     

一种基于子波特征的模糊神经网络目标识别方法

针对雷达目标识别中相对不变特征量提取这一问题，提出了一种基于子波变换的特征提取方法．通过对三类飞机一维距离像的分类和识别，验证了这种方法的有效性，同时在将模糊神经网络作为模式分类器方面做出初步尝试。     

证据理论及其在目标识别中的应用

随着防空作战环境的日益复杂,快速准确地进行空中目标识别显得尤为重要。多元信息融合为目标识别提供了一个新的思路,信息融合可在像素级、特征级及决策级3个层次上进行。基于证据推理的决策级融合以其在自动目标识别中特有的优势而成为研究的热点。为了解决Dempster组合规则在高冲突证据下存在的问题,对组合规则的思想进行了分析;讨论了针对该组合规则的两大主流修正方向:基于修正证据源的改进措施和基于修正Dempster组合规则的方法一些改进措施;针对空中目标识别问题,提出了综合运用各种改进思想的融合方法,给出了识别过程的流程图,算例结果表明本文方法的有效性。     

基于多BP神经网络与D-S融合的车型识别研究

为了提高BP神经网络对车型的识别率,克服单个BP神经网络所存在的网络结构和训练样本数量之间的矛盾,针对大量训练样本采取多个BP神经网络进行训练,进而采用训练好的多个网络进行车型识别. 利用D-S理论将各个BP网络的识别结果进行数据融合以改善最终的车型识别结果. 实验结果表明:随着训练样本数量的增加,多BP网络数据融合方法比单BP神经网络有更高的识别率.     

应用DS证据理论的雷达工作模式特征层融合识别

日趋复杂的战场电磁环境对雷达工作模式识别提出了更高的要求,针对传统单平台工作模式识别方法的局限性,提出了一种在多平台协同背景下基于Dempster-Shafer(D-S)证据理论的雷达工作模式特征层融合识别算法。该算法运用隶属度函数获得基本信任赋值,根据Dempster合成规则,首先对多平台侦收的同一参数数据进行多平台参数内融合,然后进行参数间融合获得合成信任度,最后依据工作模式判定规则识别雷达工作模式。通过仿真实验,多平台融合识别算法的识别率较单平台识别方法平均提高了27%,实验结果说明融合识别方法有效地提高了识别性能。