基于绝对偏差的多传感器目标识别方法

针对具有多个特征指标的多目标识别问题,提出了一种新的多传感器信息融合方法。该方法根据最大最小隶属度函数得到指标隶属度矩阵,通过求解各目标类别综合隶属度的绝对偏差最大的优化问题,客观地获得了属性的权重,从而给出目标识别算法,提高了识别结果的客观性和区分程度。工件识别实例验证了算法的有效性和实用性。     

一种多传感器数据融合目标识别新方法

在多传感器目标识别中，传统方法是直接将多元的局部决策送入融合中心，进行最后的整体决策。该方法是化多元检测为多个二元检测，使送入融合中心的局部决策是二元的，从而可利用现有成熟的二元检测技术进行基于置信度的整体决策，使识别问题得到简化。     

基于多传感器模糊神经网络的水下目标识别

首先将模糊神经网络应用于单传感器潜艇目标识别，在此基础上将多传感器数据融合技术应用于目标识别。仿真结果证明：这种方法是可行的、高效的。     

基于偏差的多传感器目标级融合方法

针对具有多个特征指标的目标识别问题,提出了一种新的模糊传感器数据融合方法。该方法由最大最小隶属度函数得到相对距离矩阵,通过求解总偏差最小的数学规划问题,确定各特征的权重,从而给出目标识别算法,提高了目标识别结果的客观性。应用实例验证了算法的有效性。     

基于Vague集的多传感器目标识别方法

采用Vague集来表达传感器的模糊测量信息,提出一种基于Vague集的多传感器信息融合方法.建立Vague集表达的多目标模型数据库,并定义两Vague值之间的贴近度,利用多目标规划模型客观地确定各特征的权重,根据综合贴近度给出目标识别算法.实例分析表明了算法的有效性.     

多传感器多目标检测中的数据关联

研究在漏检、无杂波情况下多传感器对数目未知的目标检测中数据关联问题,并将其表述为多传感器数据集之间数据的组合化分配问题,提出一种基于ＧＡ的关联算法。仿真实验表明,该算法具有较高的关联成功率,可大幅度提高多传感器的检测概率,并能对目标个数进行优化。     

多传感器目标识别的改进灰关联度法

针对具有多个特征指标的多传感器目标识别问题,提出了一种新的融合方法。该方法利用置信距离改进了灰关联系数,通过求解各属性的置信距离的偏差平方之和最大的优化问题,获得属性的权重,从而给出目标识别方法。克服了特征权重选取的主观性,提高了目标识别结果的准确性和可信度。仿真实例验证了方法的有效性。     

虚拟多传感器融合的红外目标识别方法

提出了一种基于虚拟多传感器融合技术的红外目标识别方法.文中利用傅里叶描述器提取目标形状的边缘特征以及辐射特性的六个特征量,采用多个人工神经网络对来自单一传感器的目标利用不同特征分别识别,再利用D-S证据推理将各个网络的识别结果进行决策级融合.仿真实验结果表明,该方法提高了识别率和识别结果的可靠性.     

基于多目标数学规划的网络多源数据调度仿真

传统的目标网络多源数据调度方法通常以时间或费用为单一调度优化目标,无法实现任务完成时间以及任务执行成本之间的均衡,造成系统资源利用率较低。针对上述问题,提出一种基于多目标数学规划的网络多源数据调度方法。使用DAG构建网络多源数据流,确定多源数据调度任务模型的信任关系,以任务完成时间、任务完成成本、资源利用率为优化目标,建立多目标调度任务模型。对模型进行求解,在遗传算法变异操作中加入粒子群算法,对数据变异的方向与幅度进行调整,完成网络多源数据调度。仿真证明,所提方法相较于传统方法,在多源数据的调度上成本更低、资源利用率更高,并且调度任务目标完成时间更短。     

基于灰度关联的多传感器融合目标识别方法

为实现对多传感器目标识别系统中目标的正确分类,提出了基于灰技术理论的多传感器融合的目标识别方法。其中,单传感器识别采用计算待识别目标的灰关联系数和灰关联度,利用灰关联度的排序得到目标在时域上的识别,最后,利用各传感器灰关联度矩阵的范数得到多传感器信息融合的识别结果。计算实例验证了该方法的有效性。     

一种改进的基于线性规划的机载多传感器管理算法

提出一种基于线性规划的多传感器管理算法,首先用层次分析法对目标进行优先级排序,并根据目标优先级函数及传感器对目标的配对函数建立传感器对目标的效能函数,然后利用线性规划理论给出了一种多传感器资源分配算法;仿真结果表明,该算法可以进行良好的传感器管理,节约传感器资源。     

一种基于证据推理的目标识别方法

论文介绍了一种基于证据理论的多传感器目标识别方法。该方法首先建立了一个特殊的辨识框架,它可以合成多传感器的信息,能适应未知假设出现的状况;考虑了传感器检测的不确定性,推导了多传感器证据合成的算法。最后将该方法应用于一个目标识别系统,实验结果验证了方法的有效性。     

基于熵权优属度的模糊传感器目标识别方法

针对具有多个特征指标的模糊多传感器目标识别问题,提出一种新的模糊多传感器数据融合方法。该方法根据信息熵理论,引入不均衡度定义熵权矢量,通过求解数学规划问题,得到各目标类别的优属度,并给出目标识另0规则。实验结果表明,该方法能提高目标识别结果的客观性和可信度,具有可操作性。     

目标识别的线性规划方法研究

支持向量机采用二次规划提取支持向量,计算量大,所需内存大,速度慢,在识别应用上影响识别速度.因此从另外的角度出发,利用空间转化,将原样本空间转化为另一便于识别的空间,在另一空间中运用线性规划进行样本的拟支持向量的提取,再用拟支持向量对应的判决向量进行识别.实验表明算法适合大样本识别,可进行飞机目标识别,而且精度很高.与支持向量机相比,拟支持向量需要的内存少,识别时间相对短,识别精度高等优点.     

基于多目标数学规划的网络入侵检测方法

多分类模型常用于解决诸如信用卡客户分析和疾病诊断预测等具有多类情况的现实问题.网络安全中的攻击形式有很多种,这为多分类问题的研究成果提供了很好的应用背景.事实上,如果把建立防火墙来拦截网络攻击看作被动的防御,人们更希望通过借助对网络攻击者行为的分析去进行主动的防御.借助数据挖掘中解决分类问题的基本思想,提出了用多目标数学规划(multi-criteria mathematical programming, MCMP)模型分析多类网络攻击行为的方法.与直接寻找凸规划问题最优解方法不同,该方法通过对相关矩阵的直接运算寻找最优解,大大降低了问题求解的难度.进一步,运用e-支持向量的概念,可以实现对大规模应用问题的计算.同时,使用了核技巧来解决非线性可分的问题.基于一个新近已知的NSL-KDD网络入侵数据集,通过数值实验证实了所提模型可以有效解决网络入侵中的多分类问题,同时达到较高的分类精度和较低的错误报警率.     

粗集理论对目标识别中改进融合效果的讨论

应用于目标识别中的数据融合技术，虽已取得一定的成效，但是仍存在一些问题。粗集理论是一种处理不精确知识的数学工具。基于粗集理论的数据融合应用于目标识别中能改进融合的效果。     

基于DS算法的雷达目标识别方法研究

主要目的是为解决干扰存在下不同类型传感器、不同格式信息之间的融合问题,设计了一种较为有效的融合算法,来对敌方的危险目标进行识别;主要方法是把神经网络改进的BP算法与Dempster-Shafer(D-S)证据理论相结合,将来自于各种传感器探测设备多次观察所得到的数据,经过神经网络后,得到基本概率附值,然后利用DS证据理论进行实时的时域和空域融合,从而达到准确的目标识别;仿真结果表明该算法在有效提高识别概率的基础上,大大提高学习速度,结果可行.     

巡逻式多电子哨兵目标识别的数据融合方法

对巡逻式电子哨兵目标观测在数据层的精确定位方法,以及决策层目标精确识别的数据融合问题进行研究。将个体观测的局部坐标系的目标位置转换到全局坐标系中,利用卡尔曼方法融合数据层信息。决策层目标识别的信息融合采用改进的多层次D-S证据论融合方法,将单个哨兵各异类传感器信息融合后再进行多个电子哨兵识别结果的信息融合。实验结果表明,融合后的数据稳定性和准确性都能得到提高,目标识别的正确率提高了20%。