Fisher理论和多数投票法相结合的数据融合算法

针对多个特征指标的多传感器数据融合问题,将Fisher理论和多数投票法相结合进行数据融合来增加识别率。该方法首先通过Fisher理论得到多个判别函数,然后通过多数投票法继续对得到的判别进行分类得到最后的识别决策。该方法适合多个特征目标识别,计算简单。易于实现。     

多传感器最大属性数据融合及其目标识别应用

为解决干扰存在下目标分类识别问题 ,在数据融合的决策层上 ,利用属性集和属性测度的概念 ,提出了多传感器最大属性融合方法 ,既考虑了各传感器得到的数据 ,也考虑了各传感器所得数据的可信度。通过试验得到融合后的识别结果优于单传感器的识别结果 ,证明了多传感器最大属性融合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。     

基于潜在变量二元回归模型的多传感器数据融合

针对目前数据融合算法存在的置信度无法获取的问题,提出了一种基于潜在变量二元回归模型(LatentVariable Binary Regression Model)的多传感器数据融合算法。将每个传感器获取的特征值作为多变量回归模型中的相关变量,通过Gibbs抽样得到潜在变量的分布概率,确定多变量回归模型中的表征量作为融合结果,并以潜在变量的分布概率作为融合结果的置信度。基于实地采集的运动目标震动信号进行仿真实验,结果表明该融合方法拥有较好的识别效果,同时能够给出识别结果的置信度。其中错分类的结果具有较低的置信度,可以提醒观测者做进一步的观察。     

数据驱动的变速器传感器故障诊断方法

针对基于模型以及基于规则的故障诊断方法的局限性,运用数据驱动的方法对变速器传感器进行故障诊断。使用逐步回归算法建立传感器模型,将实际传感器输出与传感器模型输出相减得到残差序列;用小波包变换(WPT)对残差序列进行分解,提取节点的香农熵作为特征值;最后,用概率神经网络(PNN)对不同传感器故障的特征值进行识别。使用硬件在环仿真获取车辆行驶过程中的变速器信号对该方法进行验证。结果表明:该方法的诊断正确率达到98.50%,在不同的样本划分情况下诊断正确率变化很小。此外,还对其他多个变速器传感器进行了故障诊断,诊断正确率均在较高值,证明了该方法的普适性。     

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.     

基于自适应加权的多传感器实时数据特征值提取

为实现监测数据的特征值提取，对传感器数据的预处理、时间维及空间维融合方法开展了研究。建立了实时数据融合模型，提出了基于3σ-grubbs检验的异常数据预处理方法，兼顾了异常数据剔除的速度与精度，能很好地消除疏失误差;对单个传感器数据采用分批估计原理进行融合，得到了特征估计值，实现了数据在时间维上的融合;通过对多个传感器的特征估计值采用自适应加权方法进行赋权，实现了数据在空间上的融合，并提出了考虑传感器精度的算法修正。实例计算表明，数据经3σ-grubbs方法处理后方差减小了20%~54%，与传统的算术平均滤波方法相比，分批估计自适应加权融合算法的数据融合方差明显更小，考虑传感器精度后的融合结果更接近高精度传感器值，特征值提取结果更加准确、可靠。     

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。     

面向水下多源数据特征级融合方法

海洋环境复杂多变,单一水下传感器目标识别精度不能满足系统性能要求,并且水下数据噪声大、维度高,直接进行数据融合并不能得到较好的结果.为此,针对多场景水下多源试验数据,使用去噪自编码和多种降维方法进行多角度特征级融合.首先,使用去噪自编码器去除噪声、降低数据维度并且抽取出深层特征;然后,对深层特征使用数据层叠方法进行多源...     

飞机地面防撞多传感器数据融合系统研究

为了实现对不同传感器探测和跟踪的目标信息融合,提出了一种车载飞机地面防撞的多传感器数据融合系统.采用矩不变量的方法描述飞机的特征;采用Levenberg-Marquardt算法对标准的BP网络算法进行改进,使系统快递、稳定地进行飞机识别.该算法实现了多传感器多目标定位、航迹融合等关键技术,实验表明,该系统可以较好地实现目标定位、跟踪以及目标识别的目的.     

基于Daubechies小波和证据理论的声目标识别

根据战场环境复杂多变的特点,提出采用小波变换对目标声信号进行特征转换,用基于Daubechies小波和证据理论(即D-S证据理论)对基于多传感器的声目标进行融合识别。其步骤为:首先,针对Fourier分析在处理目标非平稳随机信号方面的不足,运用Daubechies小波变换对信号进行处理,即将256个数据为一组的采样信号在Daubechies小波第三尺度上进行变换处理,在保留信号的峰峰值位置、个数等原始特征的前提下,数据处理量由256个减少到32个,从而减少了后续数据的处理量和处理难度;其次,对经过Daubechies小波变换的数据采用FOBW编码进行特征提取,并建立常见声目标的特征信息库;最后,分析并研究数据融合在声目标探测识别中的应用。研究结果表明:与单一传感器识别和多传感器融合识别效果相比,采用D-S证据理论的声目标识别,系统的识别率提高,系统的误判率降低,达到甚至超过了预定的技术指标。     

基于小波网络的主被动毫米波数据特征层融合

针对毫米波主被动数据决策层融合预处理代价高、丢失目标信息的缺点,提出了一种基于小波网络的毫米波主被动数据特征层融合方法。该方法从主被动数据中提取特征值,将特征值作为小波神经网络的输入,在小波网络中实现主被动数据的特征层融合,对目标进行识别。实验和计算机仿真表明,对与毫米波主被动数据融合,基于小波神经网络的特征层融合的识别率比基于D-S证据理论的决策层融合的识别率高。     

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。     

分布式多目标自动跟踪和特征管理算法

一种可扩展的分布式多目标跟踪和特征管理的算法(DMTIM),适用于对多目标进行跟踪的传感器网络。DMTIM由数据关联、多目标跟踪、特征管理,以及信息融合所组成。数据关联和未知数量多目标的跟踪通过马尔科夫蒙特卡罗数据关联实现。通过信息融合来获取所有相邻传感器的本地一致性,实现特征管理。试验证明,DMTIM算法能够通过传感器网络实现对多目标有效的跟踪和特征管理。     

目标的Dempster-Shafer融合识别

针对多传感器的目标识别问题,文中给出并证明了两个传感器 Ｄｅｍ ｐｓｔｅｒ Ｓｈａｆｅｒ （ Ｄ Ｓ）融合识别同一目标时的若干结论及其归纳的结论,同时推出了多（＞ ２）传感器 Ｄｅｍ ｐｓｔｅｒ Ｓｈａｆｅｒ 融合识别同一目标时的递推式,并分析了它们的性质。这些研究是多传感器目标识别系统中不同类传感器的选择及其信息的有效 Ｄ Ｓ融合的理论依据,且融合识别的递推式不仅可减少计算的复杂度,增强多传感器分布识别的可调性,而且可用作多传感器实时融合识别的递推式,这对解决机器人及其军事等领域的目标识别问题有重要价值     

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。     

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。     

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。     

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     

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。