共查询到18条相似文献,搜索用时 593 毫秒
1.
采用粗BP神经网络和D-S证据理论的目标识别 总被引:2,自引:2,他引:0
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. 相似文献
2.
改进的证据组合规则及其在融合目标识别中的应用 总被引:5,自引:0,他引:5
针对D-S理论在解决证据冲突时的局限性,提出了一种改进的证据组合规则.该方法充分考虑了证据源信息和冲突证据本身的信息,利用证据间的支持度矩阵,得到各证据的可信度.并以此对证据进行加权平均;在此基础上,将支持证据冲突的概率按各个命题在所有命题中所占的比重进行分配.仿真实验结果表明,该方法在处理冲突证据问题及证据比较一致的问题时,都能得到合理的融合结果.在实际的多传感器融合目标识别中,可以充分利用多个传感器的互补信息,最大程度地降低矛盾冲突因子对识别结果的影响,从而提高了融合识别的可靠性和有效性. 相似文献
3.
4.
5.
为了满足目标识别的需要,多传感器的数据融合技术已经成为研究的热点。D-S证据理论是多传感器信息融合中最常用的一种处理不确定问题的方法,在基于D-S证据理论的目标识别融合中,基本概率赋值的获取是一个难点。使用神经网络中应用最广泛的BP神经网络来求基本概率赋值,再结合D-S理论进行目标识别。结果表明这种方法可以提高战场目标识别的可靠性,降低识别结果的不确定性。 相似文献
6.
7.
8.
《现代电子技术》2022,(1):30-33
当前大多传感器信息决策过程中均需要对传感器数据进行概率转换或进行权重计算,该过程不仅计算量大,且决策结果受概率值影响较大,故提出一种基于距离矢量的多传感器信息决策算法。该算法利用传感器信息决策特点,结合系统评价标准,通过对支持度矩阵的归一化处理,得出优势度函数,对优势度函数规范化后进行排序,取最大值为最优解方案。定义了区分度函数,为算法评价提供了科学依据。经仿真案例分析表明,该方法在传感器信息决策中识别区分度均达到了0.5以上,决策效果良好。通过与经典D-S证据理论进行比较,可有效避免D-S证据理论在决策时出现与实际相悖的情况,且相对于D-S证据理论在决策过程中需对初始传感器数据进行概率赋值,具有明显优势。 相似文献
9.
10.
针对单时刻空中目标威胁评估存在的抗干扰能力弱、可靠性不足等问题,建立一种基于改进D-S证据理论的多时刻空中目标威胁评估模型。首先,根据空战时间线,定义多时刻空中目标威胁评估时段范围;然后,在单时刻空中目标威胁等级概率分配基础上,利用D-S证据理论融合各时刻证据信息;同时,针对D-S证据理论不能处理高冲突证据的弊端及其现有改进方法计算量较大的不足,引入偏移度的概念,确定各时刻证据源权重,对加权证据进行D-S融合。数值算例表明,该模型算法复杂度低;能有效处理波动数据、稳定性强,并且可减弱高冲突证据融合对威胁评估带来的不利影响,为最终决策提供了更准确的判别依据。 相似文献
11.
12.
13.
电子装备单点多征兆故障D-S理论诊断方法研究 总被引:3,自引:0,他引:3
为了提高新型电子装备单点多征兆故障定位的准确性,构建了一种基于D-S证据理论的故障诊断模型和信息融合算法,提出了把故障诊断过程分为3步、构成3个识别框架、3次使用D-S证据推理、选取不同的决策规则实现故障定位的方法。实例证明,该方法较好地解决了电子装备单点多征兆故障诊断中的不确定性问题。 相似文献
14.
针对干扰条件下的空间点目标识别问题,提出了一种基于双色红外成像传感器时-空信息融合的空间点目标识别方法,并采用D-S证据合成理论对来自两个红外成像传感器的实际图像目标信息进行了仿真计算。结果表明该方法对强干扰条件下的红外点目标具有理想的识别效率。 相似文献
15.
双色红外成像系统空间点目标识别方法 总被引:1,自引:0,他引:1
针对干扰条件下的空间点目标识别问题,提出了一种基于双色红外成像传感器时-空信息融合的空间点目标识别方法,并采用D—S证据合成理论对来自两个红外成像传感器的实际图像目标信息进行了仿真计算。结果表明该方法对强干扰条件下的红外点目标具有理想的识别效率。 相似文献
16.
采用D-S证据理论的双色红外小目标融合检测 总被引:6,自引:3,他引:3
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。 相似文献
17.