基于自适应遗传算法的传感器网络数据融合算法

能源有效性是无线传感器网络(WSN)路由算法设计要考虑的首要问题,数据融合可以通过合并冗余数据而有效地节约能耗.提出了一种基于自适应遗传算法(AGA)的WSN数据融合算法,基于移动代理(MA)对Sink节点发出兴趣代理报文和目标节点发出数据代理报文进行转发.采用AGA求出MA最优路由节点序列,通过把WSN均匀分割为多个大小适当的二维网格,形成AGA的初始群体.仿真结果表明,随着网络规模增大,和局部最近邻优先算法(LCF)相比,该算法有更小的网络能耗和延时.     

永磁同步电机无传感器直接转矩控制

传统直接转矩控制转矩、磁链和电流脉动较大,速度传感器的安装容易使系统可靠性降低、成本增加.为解决以上问题,采用扩展卡尔曼滤波器对定子磁链进行观测,并对转速进行估计,实现表面式永磁同步电机无速度传感器直接转矩控制,克服传统直接转矩控制中积分器的缺陷,保持直接转矩控制固有的转矩响应快和系统鲁棒生强的优点,能够对电机参数变化、负载扰动具有较强的鲁棒性,有效地改善了系统的动、静态运行生能,仿真和实验验证了该方法的可行性和有效性.     

基于节点通信度的信息加权一致性滤波

协同目标跟踪是无人机集群等多传感器网络的典型应用。在分布式传感器网络目标跟踪过程中,目标状态估计的一致性直接影响到跟踪有效性。针对目标跟踪过程中网络节点之间一致性迭代次数受限的问题,提出了一种基于节点通信度的信息加权一致性滤波算法,设计了用节点通信度来充分衡量传感器节点在网络中的通信拓扑状况,并构建了非对称一致性权值的选取机制,可在复杂拓扑结构网络中实现快速一致性跟踪。典型目标跟踪场景仿真验证表明,所提算法相比经典的信息加权一致性滤波算法,目标跟踪的不一致程度降低了20%以上,有效提升了分布式跟踪的一致性速度。     

目标检测中的传感器管理方法研究

基于假设检验的方法,研究了目标检测与定位中的传感器管理方法,给出了一种最大后验概率法,讨论了另外两种基于贝叶斯推理的最大正确检测概率法和最小代价函数法。通过仿真改进了最大正确检测概率法,对三种不同方法的检测正确率和平均采样次数进行了比较,分析了各种方法的适用场合。     

基于动态遗传网络对光栅传感器输出的细分

针对光栅传感器输出细分方法的一些不足,从另一个角度研究了一种在不增加复杂的硬件电路和光栅刻线的情况下,采用软件实现对光栅传感器输出细分的方法。该方法将遗传算法与动态神经网络相结合,通过少量样本点的学习,用神经网络拟合出光栅传感器的传输特性。对任意输入值,经神经网络泛化后,实现对光栅传感器输出细分。通过实验验证了该方法的有效性。     

多传感器数据融合仿真平台的构建及设计

数据融合是军事C^3I系统的重要组成部分，对C^3I系统效能的发挥起着决定性的作用。文中简述了多传感器数据融合仿真平台的重要性及其实际意义，介绍了空中目标跟踪多传感器数据融合仿真平台的构建；针对位置级数据融合开发所需的模块，合理地进行了软件设计；仿真平台还通过使用模块化和开放性的结构，使仿真平台具有通用性、实时性和对话性等特点。最后，给出了一个该仿真平台的一个运行实例，使该仿真平台的可靠性、实用性等得到了仿真验证。     

基于神经网络的无源多传感器属性数据关联

采用引入动量项、自适应调整步长，Levenberg-Marquardt优化方法对基本的BP神经网络进行改进，以提高学习速度，改进的BP神经网络学习算法用于对无源多传感器获得的雷达辐射源参数进行属性数据关联，能够自适应地调整阈值，即根据训练数据调整关联的门限值，与确定门限的属性关联算法相比，有着很高的关联正确率。     

IMM理论在超低空探测与跟踪上的应用

以超低空防御为背景 ,以防御系统雷达和红外传感器的融合为主线 ,运用概率互联理论和交互式多模型理论对超低空目标的探测和跟踪问题进行了仿真。经仿真认定 ,该理论不仅可用于目标的探测和预警 ,也可用于导弹的跟踪和制导     

集中式多传感器广义相关算法

为把集中式多传感器系统顺利应用于需要较小耗时和准确跟踪的工程场景,基于对现有算法优缺点的理论分析,提出了并行处理结构的集中式多传感器广义相关算法;该算法建立了多传感器广义相关算法得分函数,并基于得分函数完成了点航互联、跟踪滤波、航迹质量管理和航迹起始;经仿真及实测数据验证,该算法能够同时满足集中式多传感器系统对算法耗时及跟踪准确性的需求,整体性能优于顺序处理结构的集中式多传感器联合概率数据互联算法和并行处理结构的集中式多传感器概率最近邻域算法。     

基于任务控制的动态多传感器管理方案

针对信息融合系统平台跟踪多目标过程中的多传感器管理问题,提出了一种基于任务控制的动态多传感器管理方案。根据滤波后的目标误差协方差与不同战场态势下的期望之间的差异,度量目标当前精度要求。利用模糊物元分析法,根据目标自身属性值和当前状态值,计算欧式贴近度,从而获得目标威胁度。在综合考虑传感器性能和系统资源能耗的基础上,建立了任务需求模型。依据该模型控制多传感器实现对目标的探测,寻求模型的最优解。仿真结果表明,该方案在保持目标跟踪精度及时效性的同时,能适当地控制资源消耗,减少系统总耗能。