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.     

改进的证据组合规则及其在融合目标识别中的应用

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.     

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.     

基于变精度粗集证据加权的电子目标识别方法

为了对电子目标进行准确识别,一般采取多传感器融合的D-S证据理论方法。但是由于传统的D-S证据理论中各传感器对识别结果的重要性没有区分,造成识别结果不准确。变精度粗集模型是粗集模型的扩展,它允许一定程度错误分类率的存在,更符合实际数据的情况,将变精度粗集理论属性重要度概念应用到各传感器的重要性上,从而实现加权融合的证据理论。仿真结果表明,该方法对电子目标识别有效,尤其在传感器受到干扰时,识别结果更加可靠。     

基于神经网络与D-S证据理论的多传感器目标识别技术

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。     

D-S规则推广及其在飞机目标识别中的应用研究

在多传感器特征信息融合算法中,D-S理论得到了广泛应用,但该理论在处理多特征冲突问题时识别效果不十分理想。针对这种情况,本文推广了D-S规则,得出了一种处理冲突信息的新方法。在分析推广规则受融合顺序影响的基础上,提出了最佳融合顺序,较好地利用了冲突信息,并通过仿真比较了D-S规则和推广规则应用于飞机目标识别的效果。结果表明:本文提出的D-S理论推广规则能有效解决多特征冲突的飞机目标识别难题。     

基于加权信度熵的传感器数据冲突度量与融合

目标识别中,来自多传感器的数据通常包含诸多不确定性。在D-S证据理论框架下,提出一种基于加权信度熵的传感器冲突数据融合与目标识别方法。首先,将辨识框架(FOD)中包含的不确定信息融入新近提出的Deng熵模型;随后,采用加权Deng熵量化不同传感器数据源中的不确定性;最后,实现传感器冲突数据融合与目标识别决策。数值仿真及不同方法的比较分析结果验证了所提方法的合理性与有效性。     

基于距离矢量的多传感器信息决策算法

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。     

基才模糊C均值聚类和D-S证据理论的多传感器信息融合技术研究

D-S证据理论能很好地表达"不确定"和"未知"等信息融合中的重要概念,在多传感器信息融合领域得到了广泛的应用.针对传感器数量较多时,D-S方法计算量很大的问题,提出了利用模糊C均值聚类来减少证据体数目.再结合D-S证据理论进行信息融合的办法.实验数据表明,该方法大大减少了计算量,保证了目标识别的准确度.     

基于改进D-S理论的多时刻空中目标威胁评估

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。     

D-S证据理论和粗集理论在数据融合中的应用

提出了一种由粗集理论和D S证据理论结合的多传感器数据融合方法 ,并将其应用于目标识别中。在目标识别的数据融合中 ,利用粗集理论对大量的传感器数据进行处理 ,判断出冗余传感器 ,得到传感器的最简组合 ,从而简化特征数据。然后利用D S理论实现目标的分类 ,改进分类的效果。因此 ,将两种方法结合起来应用于数据融合技术中来进行目标识别 ,为解决传感器数据超载以及不完整传感器信息融合提供了一种方法 ,且提高了识别的速度和效果     

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。     

电子装备单点多征兆故障D-S理论诊断方法研究

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。     

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

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。     

双色红外成像系统空间点目标识别方法

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。     

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。     

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.     

弹道中段目标雷达综合识别研究*

中段是弹道导弹防御的主要阶段,也是目标构成最为复杂的阶段。数量众多的轻、重诱饵和弹体碎片使得基于单一特征、单次观测的目标识别并不能给出令人信服的识别结果。因此本文根据弹道中段目标的微动和结构特性,首先利用BP神经网络得到基于单一特征的各待识别目标的基本概率赋值,然后利用D-S证据理论实现当前观测周期多特征的融合识别,最后利用D-S证据理论实现当前观测周期与以往观测周期在时间域的序贯融合识别。仿真结果证明了本文方法的有效性。