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。     

基于矩阵分析的一种不确定性推理的数据融合方法

采用不确定性推理的矩阵分析方法，建立了用于目标识别的多传感器数据融合的数学模型。该模型综合了来自多种不同传感器的基于正态分布的检测数据，通过定义相关系数矩了来获取基本可信度分配值矩阵。提出了一种多传感器信息融合的新算法，该算法依靠可信度的积累，通过多级递推融合可获得目标状态基于全局信息的融合估计值。实例分析表明：基于融合后的识别结果较各传感器单独决策的结果性能优化，具有较强的容错性和有效性，并且不确定值较融合前平均下降了74%，从而可精确快速地控制工业生产。     

动目标的检测,识别与状态估值——数据融合在地面遥感监视系…

研究了多传感器数据融合技术，提出了基于地面多传感器遥感监视系统的目标检测，识别和状态估值中的数据融合算法，最后，进行了计算机仿真，得出了对三批运动目标的检测，识别的状态估值的结果。     

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。     

一种基于加权证据合成的多传感器目标识别方法

针对多传感器数据融合目标识别问题，基于D-S证据理论，提出了加权证据合成的时空域目标识别算法。该方法充分利用了多传感器多周期的测量数据，并根据D-S合成规则要求参与合成的各证据具有相同权重的特点，充分考虑了提供证据的信源即各个传感器的可靠性。在合成中，引入证据权的概念，解决了不同权重的多传感器数据融合问题，在一定程度上改善了目标识别系统的性能。最后通过计算实例表明算法是有效的。     

D-S证据理论在炮兵战场电磁辐射源识别中的应用

采用D-S证据理论的数据融合方法解决炮兵战场电磁辐射源识别问题。阐述了D-S证据理论用于多传感器数据融合的基本概念、合成法则、一般步骤及决策准则。与单传感器单周期的目标识别结果相比较,多传感器多周期的方法能显著提高目标识别能力,并将它应用于炮兵战场电磁辐射源识别的数据融合中解决了问题,试验结果证明了该方法的正确性和有效性。     

考虑自支持度和互支持度的多传感器一致性测度算子

针对传感器观测结果可能存在虚假甚至错误信息从而影响数据融合估计的问题,研究了一种度量多传感器观测结果一致性的测度算子.在进行数据融合估计之前,首先对多传感器的观测结果进行一致性检验,从而识别并剔除失效传感器的观测结果,最终获得一致性估计.该一致性测度算子基于Hampel粗差鉴别思想,同时考虑传感器的自支持度和传感器之间的互支持度,经过综合后给出传感器观测结果的一致性测度信息.仿真实验结果表明,该方法简单有效,能够准确识别传感器的虚假和错误观测结果,剔除失效传感器,同时能够给出传感器观测结果的质量评价,为数据融合估计提供可靠的一致性传感器组.     

基于粗糙集和灰关联理论多传感器融合的雷达辐射源信号识别研究

粗糙集理论的上下近似集合可以刻画传感器对未知雷达辐射源信号的识别程度。从灰关联理论对传感器测得的原始数据计算出的不肯定度出发,计算每个目标与传感器测得的悲观解和乐观解距离。从而计算出目标与悲观解和乐观解间的灰关联系数矩阵。用假定的折中系数α、β计算出各传感器的侦察权重。再由灰关联系数矩阵和传感器权重得到各雷达辐射源信号的与悲观解和乐观解在传感器Sj识别意义下的灰关联度,最后计算融合判别函数得到融合结果。仿真实验表明,由粗糙集理论和灰关联理论相结合的多传感器数据融合的方法可以有效地应用于雷达辐射源信号识别,特别在是在降低多传感器引起的不确定性取得较好的效果。     

基于灰色关联分析的多传感器数据融合方法

提出了一种基于灰色关联分析的多传感器数据融合方法，计算多传感器测量数据的灰色关联矩阵，进行灰色优势分析，然后进行数据融合。此方法考虑了各传感器测量数据的精确度，而且删除了测量比较差或测量不到的数据。仿真结果表明，应用该方法可进一步提高多传感器的测量精度和可靠性，适用于多传感器的数据融合。     

Data Fusion Algorithm Based on Fuzzy Sets and D-S Theory of Evidence

In cyber-physical systems, multidimensional data fusion is an important method to achieve comprehensive evaluation decisions and reduce data redundancy. In this paper, a data fusion algorithm based on fuzzy set theory and Dempster-Shafer(D-S) evidence theory is proposed to overcome the shortcomings of the existing decision-layer multidimensional data fusion algorithms. The basic probability distribution of evidence is determined based on fuzzy set theory and attribute weights, and the data fusion of attribute evidence is combined with the credibility of sensor nodes in a cyber-physical systems network. Experimental analysis shows that the proposed method has obvious advantages in the degree of the differentiation of the results.     

Rough集-神经网络系统在信息融合目标识别中的应用

研究了Rough集和神经网络方法在信息融合目标识别中的应用 .提出将神经网络学习机制引入到Rough集系统 ,同时通过Rough集的条件和决策属性构造神经网络结构 ,并针对三种不同谱段下的三种不同目标图像进行了实验 ,试验表明 ,Rough集 神经网络相结合的识别算法的识别率要明显高于单独使用一种融合算法的识别率 ,训练时间也大大缩短 .     

触觉传感阵列信号的信息融合处理

在智能机器人服装中,压力传感器阵列输出性能易受环境温度、电压扰动等非目标参量因素的影响,其间存在的交叉干扰常导致测量精度显著降低。针对上述问题,提出了一种新的用于测量分布压力的压电传感阵列及其信号处理的方法。设计了传感信号的处理流程;析取并有效地处理了置信距离矩阵和关系矩阵融合中的有用数据;提出了用概率最大值法和极大似然法对多传感器信息作有效融合处理的方法。实验结果表明,该方法可消除温度对压力传感器的影响,减小了单个传感器不确定性的误差影响,提高了压力分布测量数据的稳定性和测量精度,可显著改进压力图像重构精度。     

基于无迹卡尔曼滤波和协方差交叉融合的分层多簇无线传感器网络多速率跟踪算法

针对无线传感器网络(WSNs)在跟踪过程中精度低,性能差等缺点,提出基于无迹卡尔曼滤波(UKF)和协方差交叉(CI)融合的分层多簇WSNs多速率跟踪算法。将传感器分成多个簇,同一簇中的传感器可以采用不同的采样和传输速率对目标的数据进行采集和传输。首先,采用UKF处理传感器节点采集的数据,生成局部估计。然后,利用CI融合算法将收集到的局部估计值形成融合估计。通过定义一个附加权重因子,为真实协方差的不确定性定义一个更严格的界限。仿真验证了方法的有效性,采用多速率分层融合估计的精度更高,效果更明显。     

基于可信度小波神经网络的多传感器数据融合方法

针对传感器数据的多样性, 提出一种基于小波和神经网络数据融合的改进方法. 首先, 对传感器数据进行预处理; 然后, 用小波和BP神经网络相结合的方法优化数据; 最后, 利用计算传感器可信度对数据进行融合. 传感器数据融合效果对比实验结果表明, 该算法针对数据预处理和数据融合的稳定性和有效性均较好, 融合结果的离散程度优于加权数据融合和Kalman数据融合等方法.     

基于可信度小波神经网络的多传感器数据融合方法

针对传感器数据的多样性, 提出一种基于小波和神经网络数据融合的改进方法. 首先, 对传感器数据进行预处理; 然后, 用小波和BP神经网络相结合的方法优化数据; 最后, 利用计算传感器可信度对数据进行融合. 传感器数据融合效果对比实验结果表明, 该算法针对数据预处理和数据融合的稳定性和有效性均较好, 融合结果的离散程度优于加权数据融合和Kalman数据融合等方法.     

目标跟踪中的信息融合技术

在目标跟踪中，单一传感器检测到被测对象的某些信息，而信息融合可融合多传感器信息，获取对对象较全面的认识。比较全面地阐述了目标跟踪中信息融合的结构和方法。分析了各跟踪方法的特点，提出了信息融合发展中的一些值得关注的问题。