基于矩阵分析的加权证据时空融合算法研究

在多传感器目标识别系统中．为解决各传感器可信度不一致的问题，提出加权证据的方法。为便于采用计算机实现，采用基于矩阵分析的D-S证据理论。考虑融合系统的时间性和空间性．先从空间域对多传感器进行空域信息融合．然后在此基础上对时间序列进行融合。最后进行判决，识别出目标。识别实例表明了该方法的正确性和有效性。     

基于多源遥感影像信息的数据融合技术

数据融合是利用计算机对数据进行处理,得出目标状态及势态估计的多层次多平台过程。详细讨论了基于多源传感器的时间融合与空间融合,探讨了多源时空信息的串行融合与并行融合算法,得出了遥感影像信息数据融合系统的融合层次和融合准则。     

地空导弹武器系统多传感器数据融合模型与仿真分析

在分析了地空武器系统的信息来源及信息特点的基础上，提出了适用于该武器系统需要的多传感器数据融合方法——时空聚类方法，包括时间数据融合、空间数据融合、时空数据融合及参数插补方法．并通过仿真实验验证了此方法在该型多传感器武器系统数据处理上的有效性。     

基于随机加权估计的多维位置数据最优融合算法

文中将随机加权估计计算方法应用于多传感器信息融合,提出了一种基于随机加权估计的多维位置数据最优融合方法。首先,用随机加权估计对每个传感器测得的位置参数进行估计。然后,用最优信息融合算法把这些估计进行融合。得到多传感器系统多维位置参数的最优估计。研究结果表明:基于随机加权估计的多传感器信息融合方法优于传统的信息融合估计方法。     

多传感器数据融合中自组织网络数据的随机分析

基于对无人机系统自组织网络的随机分析,得到了一个同心圆区域(子空间)的传感器模型。利用网络子空间对目标进行实时监测跟踪。各个子空间再把检测到的信息发送到数据融合中心,发送的数据进入一个(M/M/1)排队系统,网络系统构成一个复合随机过程,然后通过统计分析来估算网络传感器发送数据包到数据融合中心所花费的平均时间。仿真结果表明这一随机模型是合理的。     

多传感器目标识别决策融合算法分析

多传感器信息融合已成为现代条件下目标识别的重要手段.研究多传感器目标识别决策级信息融合算法,分析了决策级信息融合算法之间的内在联系,为对目标识别决策级信息融合方法的选择上提供了理论依据.     

多传感器目标识别决策融合算法分析

多传感器信息融合已成为现代条件下目标识别的重要手段。研究多传感器目标识别决策级信息融合算法，分析了决策级信息融合算法之间的内在联系，为对目标识别决策级信息融合方法的选择上提供了理论依据。     

多传感器信息融合技术在现代防空中的应用

在分析空间环境信息的复杂性、现代传感器的多样性基础上,将多传感器信息融合技术用于地面防空C3I系统、雷达和图像传感器融合、雷达和红外融合、多雷达融合系统。展现了信息融合技术在解决防空问题中具有增强生存能力、扩大覆盖范围、增大信息可信度等优势,可增强防空能力。     

基于多源不确定数据融合的研究

提出了一种多源不确定数据的融合模型,该模型从信息的合理性、传感器的可靠性及信息的相似度上分析和处理不确定信息,并根据信息的一致性和传感器可靠性,实现传感器信息的筛选,有效地处理冲突信息和错误信息.以多传感器目标识别为例,进行建模仿真.结果表明,该融合模型在环境动态变化,传感器可靠性降低的情况下,保证了融合结果的准确性.     

多传感器信息融合在航天侦察中的应用

针对从情报信息中提取正确可靠信息时存在的问题,对多传感器信息融合在航天侦查中的应用进行研究。在阐述多传感器信息融合的基本概念和基于D-S证据理论的多传感器信息融合的基础上,重点分析D-S证据理论在多传感器航天侦察信息融合中的应用,并以实例进行验证。结果表明:该方法能弥补单一信息的不完整和不确定性,提高信息的确定性和可靠性。     

D-S证据理论在目标识别中的应用

根据地面目标运动引起的地震动信号的特征信息，应用多传感器信息融合的方法将目标正确分类。首先根据地震动信号在频域和时频域的多种特征，应用BP神经网络模式识别法，将地面车辆目标分为轮式车、轻型履带式车和重型履带式车。设计了一种以神经网络正确识别率作为基本概率赋值的方法，并应用D－S证据理论进行识别信息融合，训练样本和识别样本分别取自外场实验所获得真实有效的数据，通过对识别信息融合，以较高的可信度得到与识别样本相一致的识别结果，这表明所设计的获取基本概率赋值的方法及信息融合算法是有效的，该方法可以推广应用于其他多传感器或多信息源的探测识别系统中。     

基于先验融合的Bayes递归精度评定方法

制导工具误差分离与落点精度分析是武器精度评定中最为关心的问题之一.为充分融合观测信息进行精度评估,在对制导工具误差系数的测试值进行先验融合的基础上,结合遥外弹道观测数据求解制导工具误差系数,并将相应的制导工具误差与弹道差的Bayes实时融合结果进行了比较.建立了递归的落点精度评估方法,将由地面测试先验导出的落点先验与落点观测数据进行加权融合,给出落点评定结果.理论分析和仿真计算表明,信息融合后得出的评定结果更加稳健.     

基于数据融合的机电设备状态评估方法

针对机电设备状态评估中测试信息模式不一、定量和定性信息共存等问题,提出一种基于数据融合的机电设备状态评估方法。详细介绍机电设备的状态评估过程,运用D-S证据理论进行机电设备状态评估的决策层融合并进行仿真测试。仿真结果表明：将数据融合技术应用于机电设备的状态评估是可行和有效的,不同评估方法提供的决策信息经过多次融合、反复抽取有用信息后,能降低判断的模糊性,提高状态评估的可信度。     

基于数据融合的机电设备状态评估方法

针对机电设备状态评估中测试信息模式不一、定量和定性信息共存等问题,提出了基于数据融合的状态评估方法,运用D-S证据理论进行了机电设备状态评估的决策层融合。理论分析和仿真结果表明,将数据融合技术应用于机电设备的状态评估是可行和有效的,不同评估方法提供的决策信息经过多次融合、反复抽取有用信息后,降低了判断的模糊性,提高了状态评估的可信度。     

基于非下采样轮廓波变换与引导滤波器的红外及可见光图像融合

为克服传统融合方法对灰度相关性较弱的红外与可见光图像融合存在的不足,提出一种基于 非下采样轮廓波变换（NSCT）与引导滤波器的融合方法。利用NSCT对源图像进行多尺度多方向分解,分离出包含在不同频带内的特征信息,得到一个低频近似图像和多个高频方向细节图像;局域窗口加权平均能量和改进拉普拉斯能量分别作为低频近似图像的活性测度,构造显著特征图对近似图像进行加权平均,以解决能量保持和细节提取两个关键问题;在方向细节图像中,基于活性测度取大规则获得决策映射图,将源图像作为引导图、决策映射图作为输入图像进行引导滤波,得到权重分配图,对方向细节图像进行加权平均,降低噪声的敏感度。对融合后的近似图像和方向细节图像进行NSCT逆变换,得到最后的融合图像。采用多组红外与可见光图像进行融合实验,并对融合结果进行客观评价。实验结果表明,该融合方法在主观和客观评价上均优于已有文献的一些典型融合方法,如基于两尺度分解的引导滤波融合方法、NSCT域内稀疏表示融合方法、基于像素显著性的交叉双边滤波融合方法、基于深度学习的卷积神经网络融合方法、基于显著性检测的双尺度融合方法,可获得更好的融合效果。     

基于双边滤波的可见光与红外图像自适应融合

针对传统融合方法不能充分提取可见光图像与红外图像各自特有的细节信息和难以确定融合权值的问题，提出一种基于双边滤波的可见光与红外图像自适应融合算法。该方法结合双边滤波与改进的双边滤波，将可见光与红外图像分解为多尺度局部细节、特有细节以及基础信息。在图像融合阶段，局部细节信息采用基于图像边缘能量的融合方法，最大程度保留了图像的细节；图像基础部分的融合，引入了基于局部能量值的正则化参数来自适应调整融合的权值，优化参数的选择；特有细节信息的融合采用了绝对值最大的融合规则以充分保留源图像特有的细节信息。仿真实验结果表明，通过主观判断所提方法融合后的图像视觉效果更好、对比度高，边缘细节的融合比其他算法更加好，在客观指标的评价中，所提融合方法的MI、EN、FMI、SD、Q^AB/F、Mean 6种指标相对于其他方法综合提升了22.6%、5.7%、0.7%、30.4%、14.2%、18.4%，在主观视觉上和客观评价指标中，所提的算法均具备更优的融合效果。     

基于模糊信息融合的快速数据关联算法

为解决密集杂波下的目标跟踪难题,将目标的距离特征、方位特征进行模糊信息融合,并与概率数据关联算法相结合,得到一种优化的概率数据关联算法。该优化概率数据关联算法与密集杂波下较为有效的联合概率数据关联算法相比,不需产生所有可能的联合事件,因此计算量较小,易于工程实现。仿真结果表明,在不同的杂波环境下,该算法都可以取得令人满意的跟踪效果。     

虚拟仪器与数据融合在瓦斯监测系统中的应用

井下瓦斯监测系统采用虚拟仪器及数据融合技术处理传感器检测的数据.数据采集卡采集并接收现场检测信息,经A/D转换送入计算机作分析与处理,提取特征.传感器检测的信息,通过自适应加权数据融合及多传感器数据融合,再采用D-S算法对融合后的信息二次融合,得出现场状态的估计并作出判断与决策.     

基于时空域融合的红外弱小目标检测新方法

针对复杂背景下红外弱小目标的检测问题，提出一种基于时空域融合的检测方法。在空域上．通过灰度形态学Tophat变换抑制背景、增强目标；在时域上．对红外图像序列连续四帧进行沿时间轴一维小波变换，实现目标和背景的分离。然后对时空域融合的目标增强图像进行自适应阈值分割来提取弱小目标。实验结果表明。该方法能有效地检测运动红外弱小目标。