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。     

基于证据理论和Vague集的目标识别研究

提出了一种基于D-S证据理论和区间Vague集合的多传感器数据融合算法。D-S证据理论是一种灵活处理不确定和不完全信息的数学方法;而Vague集采用区间测度,可以同时表达对目标支持和反对两方面的信息;而且允许检测信息存在一定的不确定性。将D-S证据理论和Vague集结合,提出一种多传感器数据融合方法。仿真结果表明方法具有可行性,并具有处理目标检测信息不确定性的特点。     

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.     

基于证据理论的AUV目标识别研究

根据D2S证据理论能很好表示“不确定性”和“不知道”的特点,对比不同的数据融合算法,在分析D2S证据理论的性能特点基础上,提出了一种基于自主式水下航行器的扫描声纳和水下摄像机两种视觉传感器采集信息的基本概率分配函数的方法和规则,并且分析了自主式水下航行器上的扫描声纳和水下摄像机这两种视觉传感器的信息在目标位置求解中的应用,同时利用Dempster合并规则,分析计算这两种视觉传感器在自主式水下航行器进行目标类别识别时的合成融合值.通过列表分析,表明增加了目标识别的可信度,减少了目标的不确定性.     

基于证据理论的空中目标识别

针对证据理论在处理冲突证据时可能得到与直觉相悖的结论, 提出一种新的基于权值的证据调整方法, 当证据互相冲突时, 不必修改合成规则, 直接对各组证据赋予不同的权值调整概率分配函数. 仿真数据表明, 通过证据调整方法进行空中目标类型识别可行, 并且实现了可靠的目标判定.     

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.     

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。     

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.     

基于D-S证据理论与嵌入式传感器的监控与故障诊断

在水电站的故障监控与报警系统中一般都采用实时采集传感器数据并进行处理分析的方法,这不仅增加了通信的负担而且由于恶劣的电磁环境也容易造成数据的误传;为了克服这些缺点,提出了一种采用嵌入式传感器与数据融合理论相结合的故障监控与诊断的方案,并且在吉林丰满水电站的发电机线圈温度的监控系统中得到了实际应用     

模糊相似性及D-S理论的目标识别融合方法

由于试飞环境的复杂性和噪声干扰等因素的影响,使得对空中目标的识别存在一定的不确定性,为了提高目标识别的正确率,根据传感器对目标的测量,提取的目标特征信息,依据模糊相似性测度,得到传感器报告的信任度,以信任度作为加权系数对各测量的隶属度进行加权决策,再依据D-S证据组合规则,最终得出目标识别融合的结果.给出的方法能在复杂试飞环境中有效地识别目标.基于模糊及D-S理论的目标识别融合方法具有实现简单、运算量小和识别结果可靠等优点,具有一定的理论意义和实用价值.     

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。     

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。     

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。     

改进加权D-S证据理论在目标意图预测中的应用

为了在预警机中准确对目标意图进行预测,以便我方及时合理的作出战术决策,采用D-S证据理论对目标意图进行预测.首先提取出影响目标意图预测的各个态势因素,然后分析每个因素的影响效果.在此基础上建立目标意图预测的数学模型,利用D-S合成法则将所有因素的影响进行综合,并计算出各个可能命题的概率赋值并给出相应决策.仿真实例表明:融合后的不确定概率有较大幅度的下降,得到了合理的目标意图预测结论,文中的方法可扩展为多个目标编队的意图预测.     

基于D-S证据理论的金属薄壁罐焊缝缺陷检测

针对薄壁金属制罐焊缝的缺陷类型,提出两种基于机器视觉的焊缝缺陷检测方法,一种是累积灰度值波形分析法,另一种是帧差法。累积灰度值检测方法主要基于统计学原理,对焊缝部分所表现出来的统计学特征进行分析来判断焊缝是否存在缺陷;帧差法主要是根据连续两帧之差来检测是否存在焊缝缺陷。最后,通过使用Dempster-Shafer(D-S)证据理论来减少误判和漏判。实验结果表明,两种检测方法的结合使用,达到了90%以上的准确度。同时,由于算法计算量不高,对于检测的实时性要求也能得到满足。