多传感器信息时空融合模型及算法研究

在目标识别中,为了获得观测目标的准确状态,需要同时考虑数据融合的时间性和空间性。提出了一种多传感器信息的时间和空间两级融合的结构模型。首先对同一时刻不同传感器的信息进行空间融合,然后对经空间融合后的时间序列进行时间上的融合。就该模型提出了基于证据理论和模糊积分的融合算法。将该模型和算法应用于目标识别。仿真实验表明,该模型可以提高系统的识别率和可靠性。     

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。     

一种基于D-S证据理论的红外小目标融合识别方法

为了提高低信噪比弱小目标识别的可信度 ,提出了一种基于D S证据合成理论的多传感器信息融合识别方法。并使用该方法对来自多个红外成像传感器的实际图像进行了信息融合仿真处理。仿真结果证明 ,该方法对低信噪比条件下的红外弱小目标具有良好的识别效果     

空中目标编队自动分析挖掘算法

针对战场态势数据分析与规律知识挖掘需求，基于掌握的战场目标历史活动信息，分析目标间深层次关联特征，运用Prim算法和模板匹配思想构建目标关联性研判、目标编队自动提取以及编队特征匹配识别模型，提出了一种快速实用的空中目标编队自动分析挖掘算法。通过若干案例仿真验证了该算法模型的可行性和有效性。所提算法能够快速有效地从海量历史活动数据中挖掘出存在关联性的目标编队，给出目标关联可信度，能够对目标间关联关系、编队类型等编队特征进行有效识别，并且该算法计算量小，易于工程实现。     

决策层时空信息融合的神经网络模型研究

融合目标识别可以获得比任意单传感器更加准确的目标识别结果。决策层融合由于其在信息处理方面具有很高的灵活性,成为信息融合研究的一个热点。针对传统融合算法环境适应性较差的缺点,提出了一种决策层时空信息序贯融合的神经网络模型,讨论了利用各传感器所处环境和专家知识等先验信息确定网络初始权值的方法,研究了网络权值的在线学习算法。仿真实验证明该网络模型的有效性。     

基于特征完整描述的部分遮挡目标识别算法

有效的轮廓分段对于准确识别遮挡目标是十分重要的。针对现有识别算法存在轮廓划分不合理的问题,提出了基于特征完整描述的部分遮挡目标识别算法。首先利用局部轮廓曲率分布划分目标轮廓,接着对初步轮廓分段进行多级分段合并处理。为了完整描述目标特征,提出了评价轮廓分段所描述特征重要程度的参数,得到一组完整描述多级目标特征的轮廓特征分段。同时,为了减少轮廓分段误匹配造成的分类错误,还提出了评价轮廓特征分段反映其真实目标可信度的参数。最后将可信度与轮廓特征分段之间的相似度联合起来共同得到识别结果。仿真结果表明,该算法能够完整描述目标特征从而提高了目标识别准确率。     

一种空间信息融合的D-S算法研究

多传感器信息融合技术已获得了普遍的关注和广泛的应用,其理论和方法已成为智能信息处理的一个重要领域,证据理论是主要的技术之一。在目标识别系统中,为了获得可靠的识别结果需要考虑时间和空间的融合问题。从多传感器信息的时间域和空间域的融合出发,提出了在目标识别中多传感器信息的时空两级融合模型,以及基于证据理论的信息融合算法。仿真结果表明,该模型和算法具有方法简单、运算量小、可靠等优点,具有一定的理论意义和使用价值。     

基于自适应直觉模糊推理的目标识别方法

将自适应神经网络--直觉模糊推理系统(adaptive neuro intuitionistic fuzzy inference system, ANIFIS)引入信息融合领域,提出一种基于自适应直觉模糊推理的目标识别方法。首先,分析了现有目标识别方法的特点与局限性,建立了基于ANIFIS的Takagi Sugeno型目标识别模型。其次,设计了系统变量属性函数和推理规则,确定了各层输入输出计算关系及合成计算表达式。再次,设计了学习算法对网络和规则进行训练修改。最后,以20批典型目标的类型识别为例,分析比较基于直觉模糊推理及ANIFIS推理的输出结果与识别精度。仿真结果表明该方法是一种比较实用、有效的决策融合方法.     

一种基于D-S推理的异源信息目标识别方法

讨论了多帧异类信源的目标识别问题,将D-S证据推理应用于多传感器的数据融合,将异类辨识框架下的证据体组合得到新置信指派,利用多个传感器共同或联合操作的优势来提高目标识别的有效性和精确性。同时给出基于基本概率赋值决策的目标识别时序累积方法。最后通过仿真验证了该方法的有效性,可信度及准确性得到提高,具有比累积前更可信的特点。     

目标识别系统中的多源信息融合技术探讨

指出了当前目标识别中的多源信息融合技术所存在的不足,讨论了将Dempster联合规则推广到多源信息时其中间联合过程中的归一化计算问题,导出了取消中间联合过程中的归一化后多源信息融合可信度分配的计算公式.     

舰船红外成像目标实时识别与跟踪系统研究

同时考虑硬件设计、算法研究、软件实现三个方面,成功高效地设计了一个舰船红外成像目标实时识别与跟踪系统。硬件上采用主从式结构,主机为控制计算机,从机为TMS320C6201芯片及其外围电路构成的图像处理系统。算法研究尽量实用化,提出了一种新的目标识别和跟踪算法。软件实现时,基于硬件和软件采取了许多优化措施。该系统已成功应用于光电干扰效果评定实验中。     

基于最优特征矢量子空间的雷达目标识别

针对雷达特征子空间距离像识别中存在的如何选择特征基的困难,提出了一种基于最优特征矢量子空间的雷达距离像识别方法。该方法首先对原数据样本进行特征提取变换,再采用遗传算法选取最优特征矢量,由此组成最优子空间。通过对三种不同类型飞机实测回波数据进行识别,并与经典特征子空间法的对比实验,表明该方法的有效性。     

考虑盲区的多移动传感器地面目标检测跟踪调度方法

针对地面目标检测跟踪任务以多移动传感器系统为调度对象，提出一种考虑盲区的传感器调度方法。首先，建立了目标检测模型，基于贝叶斯风险理论给出了目标检测损失的计算方法以评估检测性能。然后，考虑多普勒盲区和视野盲区的影响，建立了目标跟踪模型，并给出了基于盲区信息辅助的目标跟踪算法以应对盲区出现时目标状态估计问题。最后，建立了传感器优化调度模型，结合检测损失、跟踪精度、传感器能耗等因素建立了目标优化函数。仿真结果表明，所提调度方法能够有效解决多移动传感器协同调度问题，所得的最优调度方案可在兼顾检测性能、跟踪性能和控制能耗的同时，使整体作战收益达到最佳。     

基于量测转换方法的概率数据关联算法

针对在使用雷达跟踪目标应用中,目标运动模型通常线性地建模在直角坐标系内,而量测数据由传感器获得的实际情况,提出了基于量测转换方法的概率数据关联算法。推导了该算法中相关的滤波估计、滤波误差协方差和数据关联概率,并且提出了跟踪门的确定方法。仿真结果表明了新算法的可行性和有效性。     

一种军事图像目标识别神经网络系统

在军事图像目标识别中,目标通常发生比例、平移、旋转变化,有时还处于复杂背景之中或部分被障碍物遮挡,而识别往往要求是实时的。这使得传统的图像目标识别方法不能获得较好的效果。本文提出了一种神经网络目标识别系统,该系统能直接识别图像目标,而无需提取图像中的目标特征,具有目标识别的比例、平移、旋转不变性,具有良好的复杂背景下的目标识别性能,是一种高速、实用、识别率高的军事图像目标识别神经网络系统。文中给出了改进的神经网络模型并针对不同军事目标的识别需要进行了仿真实验。     

一种有效的SAR图像分割与目标识别方法

在基于模板匹配的合成孔径雷达(syntheticapertureradar,SAR)目标识别中,一个关键问题就是如何从带有杂波的SAR图像中将目标正确分割出来,以便形成高质量的模板。针对这一问题提出了一种基于对数变换的自适应SAR图像分割方法并将其用于由美国国防高级研究计划署(DefenseAdvancedResearchProjectAgency,DARPA)和空军研究室(AirForceResearchLaboratory,AFRL)提供的实测SAR目标图像识别中。实验结果证明,经有效的目标分割后,不但提高了目标的正确识别率,还有效地提高了对假目标的拒识率,具有良好的鲁棒特性。     

考虑偏好序的多满意稳定导向双边匹配决策方法

针对考虑偏好序的多满意稳定导向双边匹配决策问题,提出了一种新的决策分析方法.首先,给出了双边匹配方案、稳定双边匹配方案、弱稳定双边匹配方案和α-稳定双边匹配方案的相关定义.然后,考虑双边匹配主体给出的强偏好序、弱偏好序、无差异偏好序和未知偏好序信息,分别计算了双边匹配主体的满意度.进一步地,分别构建满意、弱满意稳定、α-满意稳定和满意稳定等四种决策导向的优化模型.通过运用求解模型的变步长算法,可以获得相应的最优匹配方案.最后,给出一个算例,证明所提方法的有效性和可行性.     

小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法

现有低分辨雷达目标识别方法,通常采用先特征提取、再进行目标分类的两步识别算法,这种算法存在识别率难以提高和方法泛化性不足的问题,对此,提出一种增强条件生成对抗网络（strengthening condition generative adversarial network,SCGAN）+卷积神经网络（convolutional neural network,CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征,无需特征提取,实现对目标的一步识别。为进一步提高小样本条件下的识别效果,基于CGAN理论来提高样本在特征空间的覆盖程度,并对CGAN的判别器进行改进,在损失函数中增加混叠惩戒项,通过SCGAN生成不混叠的生成样本来更好地训练CNN,提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性,以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。     

区域反导目标分配模型优化分析

区域反导目标分配是多资源约束,按照一定分配准则循环分配的过程.分析了区域反导目标分配流程与准则,构建综合拦截概率和作战效费比的目标分配模型,并给出了该目标分配模型转化为基本0-1规划问题的方法;针对该多约束目标分配优化模型对高寻优、强实时求解算法的需求,结合生物免疫过程,引入改进的克隆选择算子、云自适应变异算子、抗体重组算子、精英抗体保存算子,提出快速收敛的克隆选择算法.仿真结果表明该算法尤其解决大规模区域反导目标分配问题时不失为较为理想的优化算法.