基于特征值和灰度关联的双机关联定位

针对双机协同对多目标进行定位跟踪的应用背景,研究了不同侦察平台、不同侦察传感器测向数据的关联和定位问题,提出了一种双机实时关联定位方法。该方法利用各类传感器的关联特征要素建立双机同类型传感器的数据关联模型,利用B 型灰色关联度的纯方位关联算法建立同机不同类型传感器的关联矩阵,结合目标身份信息进行测向结果关联,对关联上的测向结果进行提纯、滤波和交叉定位,最后得到目标定位结果。仿真试验结果证明了该方法的有效性。     

综合利用各类信息的异类灰色航迹关联算法

异类传感器航迹关联是航迹融合中的一个难点,红外传感器与雷达的航迹关联是典型的异类传感器航迹关联。综合利用角度和其他特征信息是改善异类传感器航迹关联的一个重要途径。针对异类传感器数据关联用于关联的信息量少的问题,对于雷达在直角坐标系对目标进行跟踪,红外传感器在修正的球坐标系对目标进行跟踪的情况,综合利用角度、角度变化率和ITG信息,提出了一种基于灰色理论的航迹关联决策方法,计算机仿真结果表明新的关联算法与只利用角度信息的关联算法相比具有更好的关联性能。     

无源多传感器多目标融合的关联算法研究

无源多传感器多目标融合在信息融合技术中具有非常重要的意义,而测量数据的关联问题则是其中的一个关键问题。本文从实际的工程研究入手,探寻无源多传感器多目标融合的关联算法。首先基于目标属性参数进行关联,再对已定位目标进行位置相关,最后通过模糊评估获得最佳关联目标。     

基于综合相关判别的无源航迹关联算法

航迹关联是多目标航迹处理中的重要问题,综合利用无源传感器获取的其他信息是改善航迹关联的重要途径。利用辐射源航迹得到正确的目标关联航迹较困难,因此,提出了一种辐射源航迹自关联和目标平台航迹互关联的两步关联综合相关判别算法,在充分运用无源传感器获取到的角度信息的同时,利用丰富的综合属性信息对航迹进行关联。仿真结果表明,该算法能够有效解决多无源传感器的航迹关联问题,并且有较高的关联正确概率。     

文本信息中的目标动向感知技术

通过建立目标动向的本体模型以及采用基于规则的方式来对文本信息中的目标动向描述语句进行语义分析,完成目标动向的识别和关联语义信息抽取;在提取大量的文本信息中的目标动向信息上建立目标与时空的关联关系,有利于文字信息分析人员感知目标在时空范围内的态势。通过对目标的动向信息抽取和结构化的关联关系转化及分析,可以为情报分析人员提供锁定目标的态势数据,并通过目标动向情况预测锁定目标的活动趋势、预警分析等。     

杂波环境下多被动传感器单目标跟踪算法

由于被动传感器只能获得目标的角度量测,因此杂波环境下基于被动传感器的关联问题较主动传感器更为困难。针对杂波环境下纯方位多被动传感器系统的单目标跟踪问题,提出了一种基于扩展卡尔曼滤波的模糊综合贴近度关联跟踪方法。该方法采用直角坐标系下多被动传感器系统的扩展卡尔曼滤波对目标进行跟踪。首先利用目标航迹的预测信息,针对每个传感器建立确认跟踪门;在获得候选关联组合后,直接利用角度信息建立各候选关联组合与角度预测值间的模糊综合贴近度,通过在所获得的全部模糊综合贴近度中寻求最优解完成量测到航迹的关联。仿真实验表明,该方法可以有效地解决杂波环境下多被动传感器系统的单目标跟踪问题。     

基于航向参照匹配的航迹抗差关联算法

探讨了系统误差影响下的多传感器航迹关联问题。由于传感器观测存在虚警和漏报,利用目标拓扑信息进行航迹关联的算法可靠性会降低。提出一种基于航向参照匹配的航迹抗差关联算法,该算法首先建立以传感器观测目标为原点、航向为参照的运动坐标系,对邻居目标数据进行旋转和平移转换;然后对各目标参照系下的邻居目标以目标距离为统计量进行全局最优关联;最后以各目标参照系下确认关联对的平均距离为匹配度量,以使匹配度量最小的参照目标对为关联匹配目标。仿真结果从目标共同观测率、系统误差范围和目标密集程度等方面验证了算法的有效性和健壮性。     

基于主被动复合导引头的干扰态势构建

在导引头主被动信息融合过程中,存在多装备与多目标平台关联困难、无法有效提取目标特征信息,难以有效融合构建态势的问题。因此,本文提出一种将导引头主动雷达信息和被动侦察信息融合的数据关联方法。该方法先提取导引头干扰态势表征要素,然后以目标方位为中心,将平台与装备关联,构建干扰态势。本文通过主被动信息融合构建的态势,在原先分离的平台和设备间建立空间位置与搭载的关系,可以有效地消除欺骗式干扰和多径散射假目标,提高态势认知效率。     

一种分区快速航迹关联算法

针对分布式多传感器信息融合系统中航迹关联运算量大的问题,提出了一种分区快速航迹关联算法。该算法将目标区域划分成若干目标子区域,为了消除传感器测量误差对航迹关联的影响,相邻目标子区域之间设置重叠区域,并给出了重叠区域宽度计算公式。只对落在每个目标子区域内的航迹进行关联,不同目标子区域之间的航迹不进行关联,并通过算法复杂度分析给出了最优分区数的判定方法。仿真实验表明,该算法可有效降低航迹关联运算量,适合于工程应用。     

被动传感器组网模糊综合贴近度的数据关联算法

针对被动传感器采样非周期且采样数据缺乏距离信息等特点,提出了一种用于解决目标航迹与传感器量测相关联的模糊综合贴近度的数据关联算法.由于被动传感器的量测没有距离信息且传感器探测范围小,本算法首先设置两个关联波门进行量测筛选;然后采用航向确定法得出航向角信息,并综合方位角、俯仰角信息,使用模糊综合的方法进行最终的关联,以解决关联错误率高的问题;最后使用扩展卡尔曼滤波进行目标状态与协方差的更新.实验结果证明了该算法方法的有效性.     

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     

一种雷达/红外探测器数据融合方法

为了充分利用雷达和红外探测器的测量数据的各自优势,提出了 一种雷达/红外数据融合方法。以最小二乘理论为基础,利用雷达测量值及其测量时间前 后红外探测器高频测量的冗余信息,并通过引入时间维度和测量维度两个权重因子,获取了对目 标的最优估计。仿真试验结果表明,与等权融合方法相比,本文获取的融合数据信息能够更好地 反映出目标的运动状态,并能为后续目标跟踪提供更为准确的观察值。     

基于格拉布斯准则和改进粒子滤波算法的水下传感网目标跟踪

水下无线传感网络(UWSN)执行目标跟踪时,因为各个传感器节点测量值对目标状态估计的贡献不一样以及节点能量有限,所以探索一种好的节点融合权重方法和节点规划机制能够获得更好的跟踪性能。针对上述问题,该文提出一种基于Grubbs准则和互信息熵加权融合的分布式粒子滤波(PF)目标跟踪算法(GMIEW)。首先利用Grubbs准则对传感器节点所获得的信息进行分析检验,去除干扰信息和错误信息。其次,在粒子滤波的重要性权值计算的过程中,引入动态加权因子,采用传感器节点的测量值与目标状态之间的互信息熵,来反映传感器节点提供的目标信息量,从而获得各个节点相应的加权因子。最后,采用3维场景下的簇-树型网络拓扑结构,跟踪监测区域内的目标。实验结果显示,该算法可有效提高水下传感器网络测量数据对目标跟踪预测的准确度,降低跟踪误差。     

多目标跟踪中基于目标威胁度评估的传感器控制方法

该文基于随机有限集的多目标滤波器提出一种基于目标威胁度评估的传感器控制策略。首先,在部分可观测马尔科夫决策过程(POMDP)的理论框架下,给出基于信息论的传感器控制一般方法。其次,结合目标运动态势对影响目标威胁度的因素进行分析。然后,基于粒子多目标滤波器估计多目标状态,依据多目标运动态势的评估研究建立多目标威胁水平,并从多目标分布特性中深入分析并提取出当前时刻最大威胁度目标的分布特性。最后,利用Rényi散度作为传感器控制的评价指标,以最大威胁度目标的信息增益最大化为准则进行最终控制方案的求解。仿真实验验证了该方法的实用性和有效性。     

Wearable Biosensors for Body Computing

The challenges of growing and aging populations combined with limited clinical resources have created huge demand for wearable and portable healthcare devices. Research advances in wearable biosensors have made it easier to achieve reliable noninvasive monitoring of health and body status. In this review, recent progress in the development of body computing systems for personalized healthcare is presented, with key considerations and case studies. Critical form factors for wearable sensors, their materials, structures, power sources, modes of data communication, and the types of information they can extract from the body are summarized. Statistically meaningful data analysis considerations, including using cohort and longitudinal correlation studies, are reviewed to understand how raw sensor signals can provide actionable information on the state of the body. This informs discussions on how collected sensor data can be used for personalized and even preventative care, such as by guiding closed-loop medical interventions. Finally, outstanding challenges for making wearable sensor systems reliable, practical, and ubiquitous are considered in order to disrupt traditional medical paradigms with personalized and precision care.     

基于小波变换的红外与可见光图像融合技术研究

随着传感器技术的发展,单一的图像传感器往往不能够从场景中提取足够多的信息,需进行多源图像融合.为了解决多传感器图像所表现的目标特征不一致的问题,本文采用小波变换对红外及可见光图像进行了融合.首先利用小波变换将图像进行多尺度分解.对于高频部分融合,取两幅图像小波系数矩阵对应元素的最大绝对值构造小波系数矩阵;针对低频部分融合,采用基于领域像素相关和基于区域方差相结合的策略.实验结果表明,该算法将红外与可见光图像对同一目标所表现出的不同特征、细节有效地融合在一幅图像里,增加了单幅图像的信息量,丰富了目标的信息层次,为图像显示观察和后续图像处理系统获取信息提供了基础.     

机载传感器时间间隔优化管理算法

提出了一种机载传感器目标探测时间间隔优化管理方法.该方法考虑目标状态估计精度,采用交互多模型滤波算法进行传感器量测信息滤波,进而实时计算传感器目标探测跟踪的信息矩阵.在此基础上,搜索计算传感器在一定探测目标精度下的探测最佳间隔时间,实现机载传感器探测资源的有效配置和管理.进行了该传感器时间间隔优化管理算法的仿真研究,结...     

Estimation Method Based on Deep Neural Network for Consecutively Missing Sensor Data

The phenomenon of missing sensor data is very common in wireless sensor networks (WSN). It has a dramatic effect on the usability, stability and efficiency of the WSN-based applications. There exist many methods for the missing sensor data estimation. However, the accurate and efficient consequent estimation of missing sensor data remains a challenging problem. To solve this problem, we propose a new method named consecutive sensor data deep neural network (CSDNN). In this method, firstly, we analyze the correlation coefficients among different types of sensor data and choose a certain number of nearest neighbors of the target sensor nodes. Secondly, to estimate a certain type of sensor data from a target sensor node, we utilize the different types of sensor data that are from the same target sensor node and have strong correlation with the missing ones, and the same type of sensor data from the aforementioned nearest neighbors. We treat these data as the input of the deep neural networks (DNN). Thirdly, we construct the DNN model, discuss the optimized DNN structure for the missing data problem, and test the accuracy of CSDNN for different types of environmental sensor data. The results show that the CSDNN method allows to accurately estimate the consecutively missing sensor data.