一种多传感器信息融合点目标识别方法（一）

提出了一种多传感器信息融合识别空间复杂弹道式目标及其伴随诱饵的识别模型。将人工神经网络和确定性理论结合起来，以神经网络的输出代替应用确定性理论所需的有关领域专家的知识和经验，并用确定性理论进行不同空域和时域的信息融合。仿真结果表明，经过融合后，大大改善了识别效果。     

多传感器信息融合机载辐射源识别

本文在阐述 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机载辐射源识别的信息融合方法，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。     

雷达网目标识别的证据理论融合方法

将证据理论用于雷达网目标识别中信息的融合，以四种特殊体制雷达组成的雷达网在强干扰条件下对四类目标的识别为例，介绍信息融合的实现过程。结果表明，融合后识别效果得到很大改善，抗干扰能力大大增强。     

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。     

基于星载电子侦察与成像侦察的数据融合技术

该文在提出单星侦察体制下的电子侦察与成像侦察融合方案的基础上，研究了基于不精确图匹配方法的平台配准算法和基于模糊推理与证据理论的目标融合识别算法等数据融合技术，并构建了一个星载电子侦察与成像侦察融合仿真系统。仿真实验结果表明，融合电子侦察信息与成像侦察信息提高了目标定位精度与目标识别准确性。     

基于加权IFS证据合成的多源信息融合方法

为权衡信息融合系统对各条证据的可信程度,提出基于直觉模糊交叉熵的证据折扣方法,用于直觉模糊证据合成规则。并根据确定性理论,对直觉模糊决策中的记分函数进行改进,得到基于确定性因子的记分函数形式,用于直觉模糊证据合成结果判定。最后通过与其他算法的对比实验,验证算法在多传感器目标识别应用中是有效的,且具有较高的计算效率。     

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.     

基于扩展分形和CFAR特征融合的SAR图像目标识别

研究了多信息融合技术在SAR图像目标识别中的应用。将扩展分形特征(Extended Fractal)与双参数恒虚警特征(Double Parameter CFAR)形成的多信息进行融合处理。运用Dempster-Shafer证据理论，在决策层对SAR图像中的像素进行识别分类。实验结果表明通过融合对像素分类的准确性明显好于单特征的检测结果，减少了虚警概率，提高了系统的识别能力。     

用于雷达目标识别的层次化信息融合算法

基于对目标识别特点的认识，提出了可用于坦克目标识别的层次化信息融合算法，对高分辨率毫米波非相干雷达，毫米波辐射计及红外辐射计等目标识别概率进行了的融合实验表明，该算法不仅可融合不同层次的信息，而且具有较强的处理信息不确定性的能力和容错能力，极大地提高了目标识别概率。     

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。     

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.     

Gaussian process modeling of EEG for the detection of neonatal seizures

Gaussian process (GP) probabilistic models have attractive advantages over parametric and neural network modeling approaches. They have a small number of tuneable parameters, can be trained on relatively small training sets, and provide a measure of prediction certainty. In this paper, these properties are exploited to develop two methods of highlighting the presence of neonatal seizures from electroencephalograph (EEG) signals. In the first method, the certainty of the GP model prediction is used to indicate the presence of seizures. In the second approach, the hyperparameters of the GP model are used. Tests are carried out with a feature set of ten EEG measures developed from various signal processing techniques. Features are evaluated using a neural network classifier on 51 h of real neonatal EEG. The GP measures, in particular, the prediction certainty approach, produce a high level of performance compared to other modeling methods and methods currently in clinical use for EEG analysis, indicating that they are an important and useful tool for the real-time detection of neonatal seizures.     

粗神经网络在雷达目标识别中的应用

将粗集理论与神经网络结合起来设计出粗神经网络,用于对雷达目标数据进行融合,特别是对雷达目标进行识别。研究表明这种网络可以接受定性输入,即输入是一个范围或在观测时间内输入是变化的,从而大大提高雷达目标的识别率。粗集理论和神经网络结合起来将在雷达数据融合方面有着很好的应用前景。     

Memristor-based multi-channel pulse coupledneural network for image fusion

Image fusion is widely used in computer vision and image analysis. Considering that the traditional image fusionalgorithm has a certain limitation in multi-channel image fusion, a memristor-based multi-channel pulse coupledneural network (M-MPCNN) for image fusion is proposed. Based on a dual-channel pulse coupled neural network(D-PCNN), a novel multi-channel pulse coupled neural network (M-PCNN) is firstly constructed in this paper.Then the exponential growth dynamic threshold model is used to improve the pulse generation of pulse coupledneural network, which can not only avoid multiple ignitions effectively, but can also improve operational efficiencyand reduce complexity. At the same time, synchronous capture can also enhance image edge, which is moreconducive to image fusion. Finally, the threshold and synaptic characteristics of pulse coupled neural networks(PCNNs) can be well realized by using a memristor-based pulse generator. Experimental results show that theproposed algorithm can fuse multi-source images more effectively than existing state-of-the-art fusion algorithms.     

多模态特征融合的网络安全态势评估

针对网络安全监测设备信息来源单一以及预警质量较低等问题,文中提出了融合多种数据来源的网络安全态势评估方法。通过引入Endsley模型和Agent理论,构建了网络安全态势的NSSA框架。利用径向基神经网络的思想,通过消除多余噪声与无关信号实现多源异构数据的融合,从而提出具有多模态特征融合的网络安全态势评估方法。MATLAB仿真结果表明,与传统的BP神经网络相比,文中提出的网络安全态势评估方法具有更好的学习能力和泛化能力。     

RBP－MFR融合拓扑结构

近几年来，神经网和模糊推理融合技术成功地应用在许多非线性系统的信号处理和控制。本文基于鲁棒神经网和混合模糊推理新概念，提出了融合的并行拓扑结构。这种系统可同时处理信号的非高斯噪声和模糊性。在高频地波雷达跟踪系统中的应用实验结果表明了这种融合算法的良好性质     

一种快速全局优化的神经网络及其在数据融合中的应用

本文将遗传算法的全局性和EM算法的快速性相结合,提出了一种快速全局优化神经网络,并将其应用于数据融合中。理论与实验结果表明该算法在数据融合中具有很强的鲁棒性。     

基于神经网络与证据理论的模拟电路故障诊断

论述了利用多类电量测试信息、应用神经网络与D-S证据理论实现模拟电路故障诊断的基本原理,提出了一种基于可测点电压与不同测试频率下的电路增益经决策层信息融合的故障诊断新方法.分别利用此两类测试信息,各用一个独立的改进BP网络对电路进行初步诊断,再运用所提融合诊断算法实现故障定位.模拟实验结果表明:所提方法对硬故障与元件参数偏移较小的软故障均适用,故障定位准确率高.     

基于双分支卷积神经网络的红外与可见光图像局部融合算法

红外图像和可见光图像均存在一定的局限性,依靠单个种类图像无法满足工程实际需求,可通过引入图像融合技术,获取高质量的融合图像。为更好保障输出信息特征的多样性,本文引入一种双分支卷积神经网络实现红外与可见光图像局部融合;在双分支卷积神经网络基础上,同时从红外图像、可见光图像得到跨渠道信息、渠道内信息种特征,增加了融合图像的信息量。采用整数小波变换方法进行图像压缩。建立颜色空间模型时,合理调节t因子的数值,获得理想的融合图像。实验结果表明,与现有方法相比,本方法融合后图像边缘信息得到充分保留,图像细节得到增强,红外与可见光图像融合效果更好。