多传感器数据融合中基于模糊逻辑和神经网络的传感器管理

在多传感器数据融合系统中,传感器的管理包括两个方面的问题,一是如何优化分配现有的传感器去更好地实现融合任务;二是如何消除外界环境变化或者某些传感器出现故障时带来的影响,针对这些问题,本文在给出多传感器数据融合系统矩阵表示的前提下,提出了一种基于模糊逻辑和神经网络的传感器管理方法。分析表明该方法较好地解决了多传感数据融合系统中传感器管理问题。     

一种多传感器数据融合目标识别新方法

在多传感器目标识别中，传统方法是直接将多元的局部决策送入融合中心，进行最后的整体决策。该方法是化多元检测为多个二元检测，使送入融合中心的局部决策是二元的，从而可利用现有成熟的二元检测技术进行基于置信度的整体决策，使识别问题得到简化。     

基于偏差的多传感器目标级融合方法

针对具有多个特征指标的目标识别问题,提出了一种新的模糊传感器数据融合方法。该方法由最大最小隶属度函数得到相对距离矩阵,通过求解总偏差最小的数学规划问题,确定各特征的权重,从而给出目标识别算法,提高了目标识别结果的客观性。应用实例验证了算法的有效性。     

多传感器目标识别的改进灰关联度法

针对具有多个特征指标的多传感器目标识别问题,提出了一种新的融合方法。该方法利用置信距离改进了灰关联系数,通过求解各属性的置信距离的偏差平方之和最大的优化问题,获得属性的权重,从而给出目标识别方法。克服了特征权重选取的主观性,提高了目标识别结果的准确性和可信度。仿真实例验证了方法的有效性。     

基于数学规划的多传感器目标识别方法

针对具有多个特征指标的目标识别问题,提出了基于数学规划的多传感器信息融合方法.该方法利用最大最小隶属度函数将识别系统特征矩阵转化为指标隶属度矩阵,通过求解各目标类型综合隶属度偏差最大的最优规划问题,客观地确定了特征指标的权重,根据综合隶属度给出目标识别方法.该方法较好地避免了特征指标权重选取的主观性缺陷,提高了目标识别结果的客观性和区分程度.算例分析验证了该方法的有效性和实用性.     

基于模糊神经网络的多传感器信息融合技术及应用

将模糊规则与神经网络相结合，实现了一种新的推理方法，并在此基础上建立融合模型，讨论了基于模糊神经网络的多传感器信息融合技术及其在污水分析中的应用。     

多传感器目标识别的理想点法

针对具有多个特征指标的多目标识别问题,提出了一种基于理想点的多传感器信息融合方法.该方法根据多目标决策理论,采用TOPSIS法定义理想解,利用相对接近度给出目标识别规则.计算简单,易于计算机上实现.工件识别实例验证了算法的有效性.     

基于加权D-S证据理论的分布式多传感器目标识别

针对分布式多传感器环境下的目标识别问题,提出了一种基于加权D-S证据理论组合规则的决策融合方法。分析了多传感器目标识别系统的信息模型,指出传感器的决策可信度由其被支持度及与目标间的距离确定。将该可信度体现为加权D-S证据理论组合规则中的证据权值,综合考虑传感器支持度及其与目标距离,给出了权值确定方法。仿真实验证明方法提高了融合效率,可较快完成识别任务。     

基于多传感器模糊处理的工况识别

本文简要地介绍了模糊传感器与证据理论,提出了将两者结合起来的一种数据融合 方法,并以工业回转窑为研究对象,来解决复杂工业条件下的工况温度识别问题,现场实验 表明了这种方法的有效性．     

小波分析和神经网络在水下目标识别中的研究

研究水下目标识别问题.由于环境因素的影响,采集到的水下目标回波信号中含有大量噪声且信号频率范围大,传统方法不能有效提取信号特征导致水下目标识别率低.为了提高水下目标识别的准确率,提出一种基于小波分析和BP神经网络组合的水下目标识别方法(W-BPNN).采用小波对水下目标回波信号进行去噪处理,滤除噪声信号.通过小波包对信号的特征进行提取,提取出最能反映目标本质性质的特征向量,对提取的特征向量作为BP神经网络的输入进行识别.为了验证W-BPNN算法有效性,在Matlab平台上对3类水下目标进行了仿真.结果表明,相对于传统识别算法,W-BPNN获得了更高的识别准确率,证明是有效的水下目标识别方法.     

一种改进的BP神经网络红外目标识别方法

红外目标的识别是红外跟踪、制导系统和预警系统等的一项核心技术。在红外目标模式识别系统中,对目标的识别效果直接影响到后续的跟踪、定位等过程。基于红外图像的特性分析,采用了一种人工神经网络算法对其进行目标识别,针对传统BP神经网络算法的一些缺陷,增加一个放大因子并自适应的调整学习速率来提高算法训练速度。基于这种改进后的BP算法,对三种军事目标（飞机、轮船、坦克）进行识别,证明算法的有效性。     

基于形状特征的小波神经网络目标识别方法

利用小波神经网络整合小波分析提取信号局部奇异特征和人工神经网络自适应学习分类的优点,提出了一种基于目标边界形状特征的时频特性可调的小波神经网络识别方法.该方法根据目标边界曲率连续小波变换的模极值在多尺度下幅值及分布情况,确定边界奇异点,利用小波神经网络自动提取、调整奇异点的特征信息并完成分类.实验结果表明,与时频特性固定的小波神经网络,普通人工神经网络和传统的基于Fourier描述子的最近邻分类器相比,时频特性可调的小波神经网络具有更好的分类性能和抗噪能力.     

基于DS算法的雷达目标识别方法研究

主要目的是为解决干扰存在下不同类型传感器、不同格式信息之间的融合问题,设计了一种较为有效的融合算法,来对敌方的危险目标进行识别;主要方法是把神经网络改进的BP算法与Dempster-Shafer(D-S)证据理论相结合,将来自于各种传感器探测设备多次观察所得到的数据,经过神经网络后,得到基本概率附值,然后利用DS证据理论进行实时的时域和空域融合,从而达到准确的目标识别;仿真结果表明该算法在有效提高识别概率的基础上,大大提高学习速度,结果可行.     

基于视频图像的车辆目标识别

针对目前数字图像目标识别方法中存在识别精度和实时性的问题,该文提出一种结合Gabor小波和神经网络的图像目标识别方法。该方法首先对图像进行预处理、用Canny算子进行边缘提取,然后通过神经网络获取最优的双Gabor小波复合滤波器参数,再采用参数优化过的滤波器组提取目标的特征向量,最后进行目标的分类和识别。实验表明这种方法鲁棒性好、识别率高,具有较广泛的实际应用价值。     

基于多神经网络融合的声纳目标分类

给出了设计单个神经网络的指导性条件,用群组决策原理动态优选子网络,用改进的模糊积分方法融合各子网络的输出信息。读方法用于主动声纳目标分类系统,用4个不同类型的神经网络组成融合系统,取得了较好的效果。     

神经网络在多机动目标跟踪中的应用

为解决多目标跟踪中数据关联与状态估计的问题引入神经网络方法.针对联合概率数据关联(JPDA)存在的计算组合爆炸问题,利用Hopfield网络解决TSP问题的思路找到神经网络联合概率数据关联(NJPDA)方法,并对其进行一定的改进解决其参数确定问题.基于以上关联方法得到的关联概率,利用简化的信息融合自适应滤波算法,实现对目标轨迹的状态滤波与预测.以上综合方法充分利用了神经网络的优点,保证了多目标的跟踪精度及实时性.     

基于对角切片谱的小波神经网络水下目标识别

目前水下目标识别技术识别率与实时性两难现状的解决,对舰船水下辐射噪声的正确提取具有实际意义。为了使水下目标识别更切合作战实际需要,在得到稳定、可靠的目标识别率的同时,实现高效与实时性,提出了基于对角切片谱的小波神经网络水下目标识别系统。系统充分利用高阶谱既能抑制高斯噪声又包含丰富识别信息的特点以及小波神经网络具有自适应、自学习以及逼近特性和自动收缩平移功能的优点,对三类舰船的实测数据进行仿真,结果表明,三类舰船目标的平均识别率达到90.4%,同时收敛速度也比普通神经网络提高16.9%,证明系统在水下目标识别中具有很好的应用价值。     

多资料水淹层识别的模糊神经网络模型研究

该文研究了利用多资料识别水淹层水淹等级的模糊神经元网络自适应模型,模型由若干个规则网络和适用度网络组成,汇合了神经网络与模糊逻辑的优点,具有非线性系统的逼近能力。通过相关性分析和反复测试,最终选择13个参数作为输入参数,水淹层的含水饱和度作为输出参数,实际资料的检验证明该算法明显改进了识别效果。     

数据融合与数据挖掘相集成的自动目标识别系统

该文提出数据融合技术与数据挖掘技术相集成的海上目标自动识别系统体系结构,以及基于加权粗糙集模型的特征知识挖掘方法,并运用模糊神经网络技术进行目标识别。     

基于神经网络的符号自动识别系统研究

提出了一种新的基于神经网络的目标符号自动识别系统。该系统在图像的二值化处理过程，采用了小波变换的方法，该方法可有效克服噪声的干扰，自动确定灰度图像二值化所需要的阈值。在符号识别部分，采用了双向联想记忆（BAM）人工神经网络技术，通过改进的感知器学习算法，增大了网络的容量，可实现对采集的有污染或缺损符号进行正确识别。仿真实验结果说明，系统具有较强的稳定性和有效性，且易于工程实现。