基于异质传感器的空间目标融合识别系统设计

在空间目标识别中有电磁、光度、红外、无线电等多种传感器信息可以利用,不同类型的传感器获得的信息在时域、频域和特征域上的冗余和互补,可以提高识别的正确率,扩展识别的时间和空间覆盖范围,而对于复杂的空间目标识别问题,不可避免的要用到多种分类方法,这些分类器的自动优化组合是融合识别获得良好性能的关键.本文分析了空间目标分布式传感器信息处理系统中的单传感器优缺点,并设计了基于多级增强融合结构的空间目标融合识别方案,给出了其系统级融合的软件设计.该方案能根据不同传感器和分类器的性质自动的对其进行优化组合,充分开发多分类器系统的潜力、提高异质多传感器融合识别的效率和稳健性.     

多传感器目标的模糊识别

根据模糊理论，采用信息融合技术和模糊识别技术，讨论了在多类传感器网内进行多目标模糊识别的一般原理和方法。     

基于模糊贝叶斯网络的空中目标多传感器融合识别研究

为了对充满不确定性与模糊性的空中目标识别数据进行处理,提高空中目标多传感器融合的准确性和可靠性,提出以模糊贝叶斯网络为基本结构的多传感器数据融合模型.该模型能够对清晰连续变量通过模糊化和去模糊化操作变换成离散变量,而且基于模糊贝叶斯网络的建模方法能够组合多种证据进行不确定性表达和推理.通过详细分析空中目标识别的推理规则,建立了空中目标识别的贝叶斯网络拓扑结构,提出了贝叶斯推理算法对多种证据进行融合计算的模型.识别实例表明该模型能够融合不同信息源的数据,有效地提高空中目标识别的效率.     

云模型在分布式传感器辐射源识别中的应用

针对辐射源识别中的参数模糊交叠问题,提出了基于云模型的辐射源样本隶属度获取方法,结合分布式传感器的优势,构建云模型在分布式传感器辐射源识别中的应用系统。首先介绍云模型的有关概念,其次分析分布式传感器的特征,再由云模型区间型和离散型辐射源样本隶属度,并进行单传感器时域融合和分布式传感器信息融合,利用判决规则完成决策。仿真结果说明基于云模型的辐射源识别率高。     

基于动态模糊积分的决策层融合识别算法

模糊积分是一种常用的信息融合方法,融合中最关键的问题是确定反映各信源重要程度的模糊测度。在此将该算法用于多传感器目标识别系统,首先介绍了Choquet模糊积分以及模糊测度的定义,再建立了基于动态模糊积分的决策层融合目标识别模型,将该过程转化为多个传感器的身份识别结果关于各自重要程度的广义Lebesgue积分。目前已有的确定模糊测度的方法几乎都只利用了训练样本的先验知识,适应性较差,难以全面地反映问题。该文在此基础上提出了一种基于动态模糊积分的决策层融合算法,可在判决过程中对结果进行动态的自适应修正,并给出了具体衡量各传感器重要程度的标准和方法。     

云计算下基于贝叶斯网络的多传感器目标识别

基于云计算可实现分布式并行程序海量数据处理的特点,提出将多传感器目标识别融合处理部署在云计算Hadoop平台上,并将其运行在多个节点组成的计算机集群上。根据目标识别原理建立贝叶斯网络结构,对目标识别预处理得到的数据进行融合计算,推理目标类型,并对不同情况下的Hadoop集群效率进行分析比对。实验结果证明了将目标识别融合处理部署在云计算平台上可有效提升运算效率。     

基于Vague集的机载多传感器信息融合

基于Vague集的模糊决策方法近年来得到了广泛的应用,它以方案满足目标的可能性和不可能性为基础,进而建立方案和目标之间的关联矩阵;该方法克服了传统方式下利用模糊集的固有局限性,同时针对多传感器信息融合的数学模型,得出决策函数的具体表达式,并且给出结果的判决准则,最后通过实例分析证明这种方法简单有效.     

多传感器数据融合中基于目标识别的DS算法研究

由于多传感器数据中对目标的描述通常存在或多或少的模糊、相驳、遗缺等现象,在多传感器数据融合处理中如何对目标进行有效可靠的识别,是一个备受关注的难题。本文对多传感器数据融合处理中基于ＤＳ算法的目标识别问题进行了较深入的探讨,利用ＤＳ算法对不确定性信息的推理判断机制,为解决上述难题提供了一种有效的方法。     

分布式检测系统的模糊有序统计融合算法

为提高基于二元局部判决的分布式检测系统的检测性能，研究了基于模糊隶属度函数的分布式检测系统融合算法，提出了模糊有序统计融合准则。通过对肼传感器进行分布式检测系统仿真，结果表明：模糊有序统计融合准则在均匀环境中能获得比基于二元判决准则更好的检测性能，也好于同样采用模糊隶属度函数的求和准则的检测性能，且在多目标环境下获得了较强的适应性。     

一种新的模糊支持矢量机多目标识别方法

本文主要研究基于支持矢量机(SVM)的多目标识别方法.首先介绍了基于SVM的OAA和OAO多目标识别算法,针对OAA和OAO算法存在的误判问题,基于SVM决策函数建立了样本模糊隶属度函数,对OAA和OAO算法进行了改进,提出了一种新的模糊支持矢量机多目标识别方法.仿真实验结果表明,该方法能够有效提高识别性能.     

一种自适应模糊密度赋值的决策层融合目标识别算法

模糊积分是一种有效的决策层融合目标识别方法.应用模糊积分进行融合的核心问题就是确定反映各传感器重要性的模糊密度.目前确定模糊密度的方法主要有利用混淆矩阵或者采用遗传算法对模糊密度赋值.这些方法在对模糊密度赋值时,利用的都是训练样本的先验静态信息.本文提出了一种利用训练样本先验静态信息结合各传感器判决包含的动态信息对模糊密度进行自适应动态赋值的方法.仿真实验结果表明该方法能得到更好的融合效果.     

动态模糊密度的多分类器融合算法

在分析现有模糊密度计算方法的基础上,本文从分类器的隶属度分布和输出一致性两方面探索计算模糊密度的新方法,提出一种基于决策信任度和支持度的动态模糊密度赋值方法,旨在根据各分类器识别具体目标时输出的客观信息,实时地刻画分类器在融合系统中的可靠性.在表情识别上的实验结果表明,本文方法可以有效提高模糊积分融合的决策性能,降低单分类器输出不可靠决策信息的干扰,是一种有效的多分类器融合方法.     

用于异质信息的信任区间交互式多属性识别方法

为了解决混合类型数据与专家知识等异质信息的融合决策问题,该文提出了基于信任区间的交互式多属性识别(BI-TODIM)方法。完善了混合类型数据的距离测度,根据信任区间的构建定理和灰关联方法构建了未知目标混合类型数据的信任区间,阐明了信任区间与直觉模糊数之间的等价关系,创建了混合类型数据和专家知识的识别决策模型,实现了特征层信息和决策层信息的统一表达;分析了基于信度函数的逼近理想解(BF-TOPSIS)方法的反转现象及算法的复杂度,定义了区间数的序关系,提出了BI-TODIM识别决策方法,及基于直觉模糊熵的未知权重计算方法。结合算例和目标识别案例,验证了该文方法在解决排序反转和异质信息融合方面的有效性,突出了该方法时间复杂度低、稳定性好、识别准确度高的优点。     

用于异质信息的信任区间交互式多属性识别方法

为了解决混合类型数据与专家知识等异质信息的融合决策问题,该文提出了基于信任区间的交互式多属性识别(BI-TODIM)方法。完善了混合类型数据的距离测度,根据信任区间的构建定理和灰关联方法构建了未知目标混合类型数据的信任区间,阐明了信任区间与直觉模糊数之间的等价关系,创建了混合类型数据和专家知识的识别决策模型,实现了特征层信息和决策层信息的统一表达;分析了基于信度函数的逼近理想解(BF-TOPSIS)方法的反转现象及算法的复杂度,定义了区间数的序关系,提出了BI-TODIM识别决策方法,及基于直觉模糊熵的未知权重计算方法。结合算例和目标识别案例,验证了该文方法在解决排序反转和异质信息融合方面的有效性,突出了该方法时间复杂度低、稳定性好、识别准确度高的优点。     

决策可靠性分析及在SAR图像目标识别中的应用

决策融合是提高合成孔径雷达（Synthetic Aperture Radar,SAR）目标识别性能的重要手段,然而,可靠性较弱的决策往往会导致最终决策融合的效果变差。将可靠性分析引入基于决策融合的SAR目标识别方法中,分别计算各个决策的可靠性系数并选取可靠性的决策参与最终的决策融合。为了验证方法的有效性,分别将提出的可靠性分析应用于多特征决策融合以及多分类器决策融合并基于MSTAR（Moving and Stationary Target Acquisition and Recognition）数据集进行了目标识别实验。在基于主成分分析、线性鉴别分析和非负矩阵分解三种特征进行多特征决策融合的条件下,所提方法和直接进行决策融合的方法的识别率分别为97.47%和96.50%。在基于K近邻、支持向量机和稀疏表示分类器的多分类器决策融合中,所提方法和直接进行决策融合的方法的识别率分别为97.10%和96.28%。实验结果充分证明了所提方法的有效性。     

基于Choquet模糊积分的决策层信息融合目标识别

引入模糊测度和 Choquet模糊积分的概念后,信息融合目标识别可转化为各信源识别结果关于信源重要程度的广义 Lebesgue积分。该文给出了 Choquet模糊积分应用于决策层信息融合目标识别的通用技术路线,并提供了信源重要程度的度量方法。算法实用于红外/毫米波融合目标识别系统,融合识别结果与 D-S 证据理论方法作了比较,证明了基于 Choquet模糊积分方法的有效性。     

模糊逻辑及其在数据融合中的应用

自从１９６５年Ｚａｄｅｈ发表关于模糊集理论的文章以来,模糊集理论已在工业控制、医疗诊断、经济决策、模式识别等领域得到广泛应用,随着模糊逻辑和可能性理论的提出和深入研究,它们在不确定推理模型的设计和多传感器信息融合中显示出越来越强大的优势,文中探讨它们在多传感器数据融合中的应用。     

姿势内核学习融合决策森林的在线手势识别算法

针对在线姿势识别中来自流行深度传感器的噪声数据影响识别鲁棒性的问题,提出了一种基于姿势内核学习融合决策森林方法.首先,将使用骨架关节角表示每种姿势;然后,利用多类SVM分类器获得姿势内核;最后,利用决策森林实时标记关键姿势序列,根据关键姿势序列完成识别.实验结果表明,本方法的识别率可高达99.3％,相比几种较为先进的识别方法,本文方法具有更好的识别鲁棒性,并且在一定程度上降低了识别所耗时间.     

基于多特征参量模糊数据融合的辐射源识别

针对多特征的辐射源识别,采用对辐射源信号特征参数的模糊化表征,建立了多特征、多目标的模糊评价矩阵以及模糊属性综合评判函数,提出了多属性判决函数的融合判决方法进行二次评判的综合识别,从而提高目标识别的准确率和可靠性。仿真结果证实了本文提出方法的有效性。