D-S证据理论在雷达体制识别中的应用

本文在详细阐述了Dempster-Shafer证据理论的基础上,介绍了基于D-S证据理论的雷达体制识别的信息融合算法.识别实例和对比实验表明,这种信息融合识别方法是非常有效的.     

D-S证据理论在雷达体制识别中的应用

本文在详细阐述了Dempster-Shafer证据理论的基础上,介绍了基于D-S证据理论的雷达体制识别的信息融合算法。识别实例和对比实验表明,这种信息融合识别方法是非常有效的。     

基于改进D-S 证据理论的多雷达自适应数据融合

针对多雷达数据融合时融合结果精度较低问题,提出一种基于改进D-S 证据理论的自适应融合算法。该算法将单传感器多时刻时域融合和多传感器空域融合相结合。首先,利用盒状图对单传感器测量值分类优化,进行单传感器时域融合;再根据文中提出的改进证据冲突程度判据,对高冲突的局部证据进行修正,并选择相应的多传感器空域数据融合算法。仿真分析表明,文中算法具有较好的可行性与有效性,同现有的多雷达数据融合算法相比,文中算法能够有效降低融合过程中产生的系统误差,且融合结果更加可靠、精确。     

D-S证据理论在通信雷达一体化侦察系统对武器平台识别中的应用

在详细阐述Dempster-shafer证据理论的基础上，介绍了通信雷达一体化侦察系统中基于D-S证据理论的武器平台识别的信息融合算法，列举了具体的实例，实验结果验证了算法的有效性。     

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.     

D-S证据理论在雷达目标识别中的应用

为解决雷达终端目标识别问题,采用基于推理的数据融合方法。分析了Dempster-Shafer(D-S)证据理论用于多传感器数据融合的基本概念和理论,并结合最小风险准则将其应用于雷达终端目标识别的数据融合中。实验结果证明了基于融合后的识别结果较单传感器单周期的识别结果好,验证了这一方法的正确性和有效性。     

基于D-S证据理论的多传感器数据融合

D-S证据理论可以有效地处理不确定信息,是有效的数据融合方法之一,但在证据高度冲突时,其归一化过程会产生有悖常理的结果。针对这个问题,国内外的学者提出了许多不同的改进方法,基本上可分为两类：修改组合规则和修改融合模型。在此总结分析了相关的国内外典型文献的改进思想,并进行系统条理的分析,为证据理论的发展和改进提供了有价值的参考。     

D-S证据理论在雷达辐射源识别中的应用

为了解决辐射源识别问题，采用基于推理的数据融合方法，分析了Dempster-Shafer证据理论用于多传感器数据融合的基本概念和理论，并将它应用于雷达辐射源识别的数据融合中，试验结果证明了该方法的正确性和有效性。     

基于改进D-S证据理论的MPAR行为状态识别方法

随着多功能相控阵雷达不断发展,其展现的多功能状态和自适应能力强的特性使得传统行为辨识方法无法适应现代战争需求。对此,提出一种基于改进D-S证据理论的雷达行为状态识别方法,该方法将空间运动状态和天线扫描方式作为辅助特征,通过改进D-S证据理论将双链HMM估计结果进行融合,得到最终识别结果。仿真实验结果表明,所提方法能有效解决传统D-S证据理论不能处理的证据冲突问题,且在雷达字提取准确率下降的情况下表现出更强的鲁棒性。     

基于D—S证据理论的多传感器雷达体制识别

在阐述Dempster-Shafer(D-S)证据理论的基础上，较系统地论述了基于D－S证据理论的多传感器雷达体制识别的数据融合方法，并给出了具体的识别实例。     

基于Dempster-Shafer证据推理的多传感器信息融合技术及应用

本文详细阐明了基于D-S证据推理的多传感器信息融合的原理及目标识别的方法.同时,介绍了其在雷达目标融合识别中的应用.     

多功能相控阵雷达点迹融合技术研究

相控阵雷达由于工作方式的多样性与波束的灵巧性,其点迹融合比常规情报雷达组网的融合更复杂。通过对相控阵雷达数据特性与控制特性的深入分析,提出了一种伪序贯交互多模型滤波点迹融合算法。该算法将按照一定的时间周期,统一处理时间间隔内的多雷达点迹,在获得与每条航迹相关的点迹后,将关联点迹按时间排序,凝聚时戳非常接近的点迹,然后序贯用于航迹的交互式滤波。最后,通过实际试飞试验,对算法进行了验证,结果表明,融合后航迹的稳定性和精度都得到了提高。     

基于D-S证据理论的多模态医学影像融合方法

针对多模态医学影像融合后存在边缘模糊、纹理不清晰的问题,提出了一种基于D-S证据理论的影像融合方法。首先对待融合的医学影像进行小波分解,在高频域,取纹理属性和边缘属性作为证据,根据Dempster证据合成和判决规则,得到高频域各点属性,从而确定融合规则;在小波分解的低频域,采用基于区域梯度的融合规则。实验结果表明,融合后医学影像较为完整地保留了源医学影像的边缘和纹理细节信息,有效提高了融合性能,优于同类方法。     

基于Dempster-Shafer证据理论的端口扫描检测方法

端口扫描是通过对目标系统端口试探性的访问来判断端口是否开放的行为.它往往是攻击者入侵行为的第一步.端口扫描检测是入侵监测系统不可缺少的一部分,而当前端口扫描的检测方法不多,并且准确性不高.为提高扫描检测的准确性,本文使用Dempster-Shafer证据理论对两种扫描检测方法产生的数据进行融合:一种是基于端口分布特征的扫描检测方法,该方法简单且具有较高的检测率;另一种是基于序列假设测试的扫描检测方法,该方法充分利用了端口扫描的本质特征.实验结果表明,同单独使用基于端口分布特征或序列假设测试的方法相比,这种基于Dempster-Shafer证据理论的扫描检测方法对端口扫描的检测准确得多.     

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证据理论的网络表示融合方法

随着网络表示学习技术的发展,在网络结构信息的基础上,越来越多的研究者考虑融入额外辅助信息来提升网络表示效果.针对现有网络表示学习方法中对于多属性特征融合缺乏冲突判别与评价指标的问题,本文在已有研究基础上,提出一种基于D-S证据理论的网络表示融合方法.本方法首先通过SVM算法给出不同属性信息对融合表示结果的支持度,然后利用证据组合规则计算网络表示学习中的融合评价指标,并依据混淆矩阵考虑各类别在节点分类中的局部可信度.在3类数据集上的仿真实验表明：本方法对于检测网络表示融合中的冲突,提高表示融合效果具有一定的指导意义.