基于OWA算子的多传感器属性信息融合

将OWA算子引入到多传感器信息融合领域中来，建立了基于OWA算子的两级式多传感器属性信息融合模型。通过合理调整OWA算子中加权向量的与或程度，适当选择各传感器探测数据的权重，从而有效地调整各传感器之间的融合程度，使整个系统的性能得到进一步提高。文末的目标识别实例表明了该方法的有效性和实用性。     

潜艇多信息源目标融合识别模型

潜艇目标融合识别系统提取多信息源的目标信息,融合成目标属性,自动完成目标识别.决策融合识别模型根据目标环境和情报信息,提取目标属性信息.据目标特征信息的输入,判定其类型,给出结果可信度.再据各识别结果和可信度进行加权融合,以确定目标最终身份.     

基于直觉模糊集和证据理论的空中目标综合识别

为提高空中目标敌我识别能力,提出一种基于直觉模糊集和证据理论的空中目标综合识别方法.该方法采用多属性决策的思想解决空中目标综合识别问题,首先借鉴美军先进做法对空中目标综合识别问题进行描述;接着对空中目标综合识别进行多属性决策建模,分别使用AIFS交叉熵、冲突系数与证据距离相结合的方式计算属性权重和专家权重,并使用证据折扣法对属性信息和专家信息集结过程中的证据进行修正与融合;最后结合实例和对比分析验证了该方法的可行性.     

基于证据组合理论的多传感器目标识别算法

为了提高多传感器目标识别的准确性，提出了证据加权数据融合的新方法。给出了证据理论的基本概念、组合规则、加权证据组合及决策规则，同时给出简单的多传感器信息融合模型。针对战场环境下多传感器系统获得的辐射源信息。通过仿真给出了文中方法的目标识别步骤及识别结果．仿真结果表明该算法提高了目标识别的准确性和有效性。减小了识别的不确定性。     

基于D-S证据理论的多传感器目标识别信息融合方法

多传感器目标识别系统中多个信息源之间证据高度冲突时,采用传统的D-S证据理论进行信息融合有一定的缺陷。根据信息源间证据冲突的程度,提出了一种新的证据融合算法,该算法依据少数服从多数的原则,首先根据信息源间冲突程度的计算出各信息源权重,再采用D-S组合规则对加权后的信息进行组合。算例分析结果证明了该方法在用于多传感器目标识别系统的有效性和优越性。     

基于D-S证据理论的空中目标威胁度排序模型

将数据融合领域的D-S证据推理理论应用于空袭目标威胁程度的评估.先针对各决策者关于相应方案在某属性上的评语集,利用证据组合公式进行信息融合,形成该方案在属性上的群体偏好信息,接着求出关于该方案在属性上的确定性评价值,最后针对得到的确定性多属性决策问题,利用加权法或理想点法进一步对方案进行最终的排序.     

基于变权理论的舰艇编队网络化协同防空威胁评估

针对编队网络化协同防空作战时采用固定的目标属性权重与信息化战争已不匹配的问题,建立一种完整的人在回路控制的编队网络化协同防空威胁评估系统。以舰艇编队网络化协同防空作战为背景,考虑编队构成和队形因素,根据编队内多部雷达探测的目标数据信息,建立了目标攻击意图判别模型;并结合变权理论,确定基于目标熵值变化的目标属性权重计算方法;用改进的开区间数理论表示编队多传感器数据融合,构建了区间数排序方法,并通过加入编队指挥员决策心态指标α和指挥员对属性区间数的平衡系数λ。实例仿真结果证明了该模型和方法的可行性。     

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.     

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。     

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。     

基于分段抽取软判决加权Walsh Hadamard变换的卷积码识别算法

针对低信噪比环境下卷积码识别研究存在的不足,提出一种基于分段抽取软判决加权Walsh Hadamard变换(WHT)的卷积码识别算法。该算法利用接收比特的解调软判决信息求取软判决频次序列,并构造加权Walsh Hadamard矩阵,从而识别得到基本校验序列。利用基本编码矩阵构造规则,最终实现记忆长度及基本生成矩阵的识别。算法结合分段抽取思想,降低了所需运行存储量。仿真实验表明,该算法可在低信噪比环境下对不同码率卷积码进行有效识别,具有较好的容错性,且对大约束度的卷积码性能提高更为显著。     

基于加权特征融合的 SAR 图像目标分类方法

针对现有分类器对 SAR 图像分类正确率不高的问题,考虑到单一的特征很难完全描述 SAR 目标,并且单一的分类器识别率有限,提出了一种基于加权特征融合的图像分类方法,采用多种特征来描述目标,并且用多个分类器同时对目标识别。实验结果显示,提出的方法能够达到较高的分类正确率,证明了该方法的有效性。     

微小尺寸零件表面缺陷光学检测方法

为实现微小尺寸零件表面缺陷的快速精确检验,对微小尺寸零件表面缺陷光学检测技术进行了研究.以典型微小尺寸环形零件为研究对象,从零件的表面特征、缺陷类型及检测算法出发,建立了基于机器视觉的微小尺寸零件表面缺陷光学检测系统;通过对微小尺寸环形零件表面缺陷纹理特征研究,提出图像梯度方差加权信息熵算法抑制表面随机纹理,提取微观表...     

D-S证据理论在多传感器目标识别中的改进

针对证据理论在处理冲突证据时可能得到与直觉相悖的结论,文中首先分析了基本DS证据理论组合准则缺陷的产生原因,提出一种新的基于权值的证据调整方法,给予证据分配不同的权值,重新分配概率分配函数.算例分析结果表明,改进后的方法可以提高识别结果的可靠性,在一定程度上改善了目标识别系统的性能.     

基于证据理论的多传感器信息融合目标识别方法

从D-S证据理论的基本概念和证据的融合推理方法出发，建立了多目标特征信息融合识别框架。并提出一种符合目标识别特点的基本可信度分配构造方法。该方法把识别对象看作一个信息系统，运行过程中不断产生各种信息，并将信息加工成目标特征。通过特定的识别决策规则，得出识别结论。给出了一个多目标信息进行识别的实例，结果表明该方法能够有效地提高目标识别可信度，减小识别的不确定性。     

主被动双模复合导引头决策融合方法研究

分析了决策融合中两种工程上有使用价值的方法：基于贝叶斯推理的目标识别融合和基于证据理论的目标识别融合.给出了一种基于证据理论的主/被动复合导引头对目标识别的融合算法.     

基于D-S证据理论的驾驶员疲劳监测方法研究

疲劳驾驶是引发交通事故的重要因素,准确监测驾驶员疲劳状态并预警对有效避免疲劳驾驶,减少交通事故具有重要意义.以不影响驾驶员操作和舒适度的方式检测图像、脉搏和方向盘运动等多源信号,提出基于加权D-S证据理论的疲劳决策方法,提高了疲劳监测的准确性,增强了系统的鲁棒性.     

数据融合在雷达目标识别中的应用

数据融合（Data fusin)技术又称多传感器数据融合或分布式传感,即对多类、多源和多平台传感器数据进行组合,提供有关环境综合态势的一种数据处理技术。该技术在防空中首要解决的问题是,根据不同传感器信息源的信息,将飞机,导弹等不同空中目标航迹分类,实现对目标的探测、跟踪和识别。文中列出了其应用实例和用于雷达目标识别的各种数据传感器,分析了利用目标特征的统计或确定的、无知识库或有知识库的、用判定或信号融合的等类数据融合方案,讨论了加权平均法、表决规则法、模糊理论法、神经网络法等数据融合方法,并以“自动驾驶仪”为例,论证了专家系统在数据融合中的作用,由此提出了以专家系统和人工神经网络相结合的数据／信息融合是解决雷达目标识别之捷径的结论。