基于D-S证据理论的空中目标识别

提出了一种基于D-S证据理论的空中目标识别方法.该方法首先对目标特征进行提取,然后根据提取的特征利用模糊C均值聚类的方法进行基本概率分配,最后利用D-S组合公式进行融合识别.实例验证了算法的有效性.     

空中目标威胁等级评估方法研究

本文提出了一种空中目标威胁等级评估方法,该方法运用了动态贝叶斯网络进行推理、结合专家知识以及对选取高斯分布函数对威胁要素进行量化,构建了基于动态贝叶斯网络的目标威胁等级评估模型。仿真结果表明:该模型可以有效的确定目标当前的威胁等级,该方法符合人类的推理过程。     

基于改进D-S证据理论的信任评估模型

针对已有的信任证据模型不能快速有效地处理分布式网络中存在的恶意攻击,且缺乏关于三元信任关系组的信任归一方法,提出了一种基于改进D-S证据理论的信任模型,在此基础上,提出了基于持续序列的基本可信度函数和基于评估函数的信任评估方法,使得模型能更快地抑制恶意节点,并且评估结果更贴近现实值。通过分析与仿真,验证了本模型具有抑制聚集信任攻击的有效性和健壮性,同时信任评估方法更具合理性和准确性。     

基于模糊理论海上目标威胁评估的改进算法

应用神经网络,对基于模糊理论的海上目标威胁评估的方法进行改进。首先分析了目标的主要因素,应用模糊理论对其进行量化和归一化处理,然后采用神经网络方法进行威胁评估,提高威胁评估的准确性。     

D-S证据理论方法在目标识别中的应用

D-S证据组合理论已经成为不确定性推理的一种重要方法,基于该理论的多传感器决策层数据融合已得到广泛应用.介绍了D-S证据理论及其有关概念和D-S合成法则,阐述了基于D-S证据组合理论的数据融合一般步骤及决策层判决方法,运用D-S证据理论对目标进行了融合识别.与单一传感器的目标识别结果相比较,上述方法能明显提高目标识别能力,同时降低目标识别的不确定性,提高目标识别的可靠性.     

基于模糊多属性的空中目标威胁估计模型

为了准确有效地判断敌空中目标的威胁程度,本研究应用模糊集理论,建立防空作战空中目标威胁模型,从威胁要素提取、量化以及威胁等级确定等方面对该模型进行分析。该模型使复杂问题条理化,为空中目标威胁提供了科学依据。     

基于D-S证据理论的多模复合制导目标识别

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.研究基于D-s证据理论的多传感器信息融合算法,提出一种基于Dempster-Sharer理论的推广方法以解决融合信息的证据冲突问题,并将其用于红外成像/毫米波复合制导系统,进行目标识别的决策信息融合,结果比较理想,能够有效地化解证据间的冲突问题.     

D-S证据理论在振源目标识别中的应用

本文采用D-S证据理论对振动目标脉冲宽度进行融合，可以很好地解决振动目标识别问题。地面目标激励产生的振动信号，主要受到运动状态、目标质量、传感器的距离以及地质条件等因素的影响。对传感器采集到的振动信号进行处理、特征抽取进而通过分类识别的方法可以确定产生地振动信号的目标类别[1]。     

基于改进D-S证据理论的数据融合目标分类

首先采用分类算法对MSTAR数据集进行十类目标分类识别、三类目标的变体分类识别,然后根据分类调参过程中的先验知识修正证据即分类器输出,构造基本置信函数,并采用改进的合成规则即基于冲突系数K和Pignistic概率距离相结合的冲突度量方法,对冲突证据采用按比例分配冲突度的合成规则进行合成。未融合时,三类目标的变体分类准确率最高为93.553%,融合后三类目标变体分类识别率为95.092%,提升幅度约是理想状态的37%。     

基于D-S证据理论的近岸舰船目标识别

在深入分析和提取近岸舰船目标红外特性和微波特性的基础之上,提出一种基于D-S证据理论的红外图像和微波特性融合方法来实现近岸舰船目标的识别.一方面,对红外图像进行小波去噪、边缘提取、海天线识别与对消等红外预处理和特征提取后,可以得到若干个待选目标;另一方面,对目标回波进行衰减、低噪声放大、滤波和线性放大等处理后,可以得到信号幅度大于一定阈值若干个待选目标.最后,通过对红外和微波得到的待选目标运用D-s证据理论的融合规则进行数据融合,得到最终识别结果.算法易于硬件实现.实验表明,该方法能达到较好的识别效果.     

基于D-S证据理论的态势评估方法

正确的战场态势评估是指挥决策的基础。本文对态势评估问题进行了分析,提出用D-S证据理论构造态势评估模型,根据不断到来的战场信息做出合理推断。实验结果证明该方法是有效的。     

D-S证据理论在作战效能评估中的应用

针对如何利用多数据源来评估武器装备作战效能的问题进行研究,分别对专家评估和仿真试验这两种信息源的m ass函数建立模型。在此基础上,利用D-S合成公式对不同指标进行综合,最终得到评估装备的作战效能。利用这种评估方法,分别对4种方案下的雷达系统进行评估,结果表明该方法符合评估实际,对多数据源的评估有一定的借鉴意义。     

采用粗BP神经网络和D-S证据理论的目标识别

为克服传统的目标识别方法的不足,提高目标识别的实时性和准确性,提出将粗BP神经网络与D-S证据理论相结合的识别模型.在多传感器数据融合中利用粗集理论对大量的传感器数据进行处理,对输入信息进行约简,剔除冗余信息,简化了生成规则和BP神经网络模型结构,提高了网络训练速度和运行速度.以BP神经网络输出作为证据,后端对不同传感器的证据用D-S证据理论进行融合,得到待识别目标的识别概率.实验表明该模型减少了识别的主观因素,简化了BP神经网络结构,提高了运算速度和识别效果.该混合模型有比较好的应用前景.     

一种基于模糊理论与D-S证据理论的红外小目标与诱饵识别算法

根据实际要解决的红外小目标与诱饵弹的识别问题,提出了一种基于模糊集理论与D-S证据理论相结合的方法,此方法把目标与诱饵的辐射特性及运动特性用D-S证据结合起来,构成目标与诱饵识别的模糊集合,最后根据目标置信度函数进行模糊综合判决进行目标的检测、识别.实验证明该算法能很好的把目标从诱饵中分离出来.     

基于改进D-S证据理论的智能安全传感器

传统的家庭安全防范系统采用传感器对住宅局部环境存在的安全隐患进行监测时,存在效率低、误报率高和漏报率高等问题,因此,本文将树莓派作为载体,应用D-S证据理论,对传感器监测结果进行融合处理.针对经典D-S证据理论无法解决多传感器监测结果存在的高冲突问题,提出依据证据间相似度改进的D-S证据理论合成规则.通过实验验证及不同...     

D-S证据理论在舰机目标识别中的应用

介绍了D-S(Dempster-Shafer)证据理论的基本概念及其应用特点,分析了舰船和飞机目标识别的需求以及基于搭载辐射源识别舰机目标平台的可行性,结合需求背景,阐明了D-S证据理论在舰机目标识别中的应用方法,详细说明了识别框架的构建和基本概率赋值过程,并在试验环境下验证了该应用方法的可用性和有效性。     

采用D-S证据理论的双色红外小目标融合检测

针对远距离低信噪比条件下目标检测难的实际问题,提出采用D-S证据理论的双色红外小目标融合检测方法。该方法首先采用统计检测方法对各传感器图像进行目标检测处理;接着采用“或”逻辑对各传感器的目标检测结果进行融合,以降低目标漏检的可能性;然后在各传感器图像中提取融合检测结果中各候选目标区域的多个图像特征作为进一步消除虚警的证据;最后采用D-S证据理论对各候选目标区进行基于多特征的目标融合识别处理,并将识别结果作为整个系统最终的目标检测输出。实验结果证明了该算法的有效性。