基于神经网络和证据理论的图像目标识别研究

提出了一种基于BP神经网络和D-S证据推理的多传感器数据融合图像目标识别算法,利用数据融合的思想对来自目标的多幅图像进行空间域融合处理.首先提取图像的Hu不变矩作为待识别目标图像的特征,尔后针对DS证据理论基本概率指派函数构造困难的问题,用BP神经网络对目标的初步识别结果构造基本概率指派函数,最后用Dempster组合规则对BP网络的初步识别结果进行决策级数据融合,完成了三维飞机图像目标的识别仿真.仿真结果表明了融合识别方法的有效性和鲁棒性,识别率达到100%.     

机载光电传感器图像融合识别的D-S证据理论方法

针对机载光电传感器获得的图像信息的不确定性与模糊性,提出利用D-S证据理论对多图像传感器信息进行融合处理的方法.首先对各图像传感器获得的同一场景图像分别进行预处理,然后对预处理后的图像提取其矩特征,通过与目标图像数据库中图像特征的对比分析,利用灰色系统理论方法获取各传感器的基本概率赋值,最后根据D-S证据理论的组合规则与决策规则获得多图像传感器的融合识别结果.仿真结果表明该方法能提高目标识别的准确度,降低传感器获取的信息的不确定性.     

一种面向SAR图像的多窗口道路边缘检测算法

道路作为一种重要地物信息,在城市规划等领域中起着不可替代作用。合成孔径雷达（SAR）具有全天候等成像特点,因此基于SAR图像已有许多道路边缘检测算法。提出一种多窗口道路边缘检测算法,来解决相干斑噪声引起的道路边缘误检率高完整性差等问题。该算法首先以加权局部熵的大小为基础,评估SAR图像中像素点落在道路上的概率,然后以该概率为依据,确定每个像素点多窗口融合的权值。最后,对不同大小窗口的边缘检测结果进行加权融合。通过对不同区域的SAR图像切片进行实验,结果表明加权融合后得到的道路边缘的完整性及对噪声的抑制效果均有所提高。     

基于聚类的SAR图像快速目标检测

针对SAR图像目标检测效率低、虚警概率高及SAR图像的特点,改进了Mean Shift聚类算法,并与双参数CFAR检测技术相结合,提出了一种能够快速而准确的SAR图像目标检测算法。通过聚类预处理SAR图像,降低了背景杂波对目标检测的影响及检测的虚警率,并且聚类后的SAR图像具有一定的结构,将图像结构的概念引入到目标检测中,避免了对图像逐点检测,大大提高了检测速度。实验结果表明,该方法具有检测速度快、虚警概率低的特点。     

无线传感器网络中基于代理的D-S数据融合

提出了一种无线传感器网络中基于移动代理带证据权的D S融合算法。引入证据权对证据进行修正以降低冲突数据对融合结果的影响。采用三级D S组合规则进行融合决策：节点级融合计算单个节点时间域融合检测概率;簇内级融合计算簇内节点间空间域融合检测概率获取局部决策结果;簇间级融合计算簇间的融合检测概率获取最终的全局决策结果。仿真结果表明,本算法能以较小的能耗代价获取准确的融合结果并有效降低冲突数据对融合结果的影响。     

D-S证据理论在移动机器人中的应用

本文详细阐明了多传感器信息融合的一种方法D-S证据理论,他是一种处理不确定性问题的有用方法,并且阐述了D-S证据理论在传感器信息融合的移动机器人上的应用,并且提出了一种基本概率赋值的方法,建立传感器和目标之间的距离与关联性的对应关系.又根据传感器与目标的关联性引入了加权系数,有效地增强了决策结果的正确性.     

分布式检测系统的一种软决策融合算法

在分布式检测系统中,为了进一步提高系统的性能,各传感器可以向融合中心发送多位二进制判决信息.对于这种发送多位判决信息的软决策融合系统,提出了一种对各传感器观测空间进行再划分的方法,它将各传感器的观测空间按照其检测概率和虚警概率进行再划分.这种划分方法能够简化融合中心的计算,且计算机仿真结果表明,应用该方法后融合系统的检测性能有明显的提高.     

融合压缩感知和SVM的SAR变形目标识别算法

为降低合成孔 径雷达(Synthetic aperture radar, SAR)图像目标识别中目标方位角的影响,并提高对SAR变形目标的识别率,本文提出了一种基于压缩感知和支持向量机决策级融合的目标识别算法。该算法首先基于稀疏表征理论将SAR目标识别问题描述为压缩感知的稀疏信号恢复问题,然后基于稀疏系数分别进行目标类别判别与方位角估计。对样本进行姿态校正后,利用支持向量机分别对经过姿态校正和未经姿态校正的样本进行目标分类。最后采用投票表决法对3种算法的分类结果进行决策级融合。实验结果表明,基于压缩感知结果进行目标方位角估计有效,且随着训练样本数的增加,提出的决策级融合算法提高了SAR变形目标的识别率。     

基于异常检测与双层筛选机制的SAR图像舰船检测方法

针对现有合成孔径雷达(SAR)图像舰船目标智能检测算法中筛选误差较大的问题,提出一种新的SAR图像舰船目标检测方法。该方法将高光谱图像异常检测理论引入到SAR图像舰船目标检测处理中。通过图像转换将SAR图像转换成高光谱类型图像,采用异常检测算法实现舰船目标的检测预处理,得到感兴趣区域二值图。运用双层筛选机制,实现背景杂波的准确建模和舰船目标的快速检测。实验结果表明,该算法能够降低筛选误差,有效地消除虚假目标和旁瓣干扰,具有更好的结构保真度。     

多传感器数据融合技术在故障诊断中的应用

利用多传感器数据融合的方法进行故障诊断,建立融合故障诊断系统.将故障诊断系统按数据融合的方法分为数据级融合模块、特征级融合模块和决策级融合模块.数据级融合模块主要对多传感器的测量信号进行处理,提取出故障诊断的特征信息.特征级融合模块采用3个结构相同的并行神经网络,一是进行局部诊断;二是获得决策级D-S证据理论的基本概率赋值.决策级采用D-S证据理论的方法对特征级局部诊断的结果加以融合,得到最终的诊断结果.利用此系统在汽轮机转子试验台架上进行了故障诊断,得到了令人满意的结果.