子网络级故障交叉搜索的ART神经网络诊断法

提出了一种采用ＡＲＴ神经元网络诊断子网络故障的新方法,介绍交叉裂准则和ＡＲＴ神经元网络算法,给出用ＡＲＴ神经网络诊断子网络级故障的仿真示例。     

目标识别决策层融合神经网络算法研究

该文针对毫米波／红外传感器融合目标识别问题,提出一种新的用于决策层目标识别的神经网络融合算法。该网络结构新颖,网络训练时修改的是门限而不是连接权值。融合后的识别率可比毫米波和红外子源提高9.7％到11.3％,因此,该算法是有效可行的。     

目标识别决策层融合神经网络算法研究

该文针对毫米波／红外传感器融合目标识别问题,提出一种新的用于决策层目标识别的神经网络融合算法。该网络结构新颖,网络训练时修改的是门限而不是连接权值,融合后的识别率可比毫米波和红外子源提高９．７％和１１．３％,因此该算法是有效可行的。     

一种基于神经网络的数据融合方法在遥感图像处理中的应用

用一维自组织特征的神经网络数据融合算法，对分别从3个传感器采集的同一遥感对象的3幅数字灰度图像进行了融合，生成出了高质量图像，为人工判读和下一步特征层和决策层融合处理提供了更佳的输入信息。     

传感器可靠性相异的信任函数理论融合识别算法研究

本文在信任函数理论框架下,针对决策层融合目标识别问题,对可靠性相异的多传感器融合目标识别提出了一种新算法.该算法结合各传感器混淆矩阵的先验静态信息以及其当前输出判决的动态信息,获得各传感器当前输出识别证据的可靠性因子,并将其用于相应信任函数的折扣,最后用Dempster组合规则对修改后的识别证据进行融合.仿真表明和现有一些考虑可靠性问题的融合算法相比,本文算法能够得到更好的融合效果.     

一种基于灰色定权聚类的决策层融合目标识别算法

决策层融合目标识别本质上是一个不确定性信息处理问题,该文基于灰色系统理论中的灰色定权聚类方法提出了一种新的决策层融合目标识别算法。该算法将一个M 类目标识别问题转化为M个两类目标识别问题,然后对每个两类识别问题采用灰色定权聚类的方法解决,其中白化权函数通过训练样本学习确定。利用该算法对3种分类器识别5类雷达目标的结果进行融合,实验结果表明该方法能有效提高目标识别性能。     

ARTMAP与模糊逻辑结合的字符智能识别方法

研究了将ＡＲＴＭＡＰ神经网络与模糊规则相结合的字符识别方法．ＡＲＴＭＡＰ用于对字符的学习、训练，而模糊规则和ＡＲＴＭＡＰ共同用于对字符的智能识别．实验证明这种将模糊技术与神经网络相结合的混合系统具有较高的识别率和较快的识别速度，采用ＡＲＴＭＡＰ神经网络只需要较少的网络训练时间．     

红外/毫米波雷达双模制导跟踪融合算法的优化

双模制导是导弹武器系统实现精确打击的关键技术之一,对双模制导跟踪融合算法进行优化研究具有一定的理论价值和工程应用价值。根据红外/毫米波雷达双模制导跟踪融合算法的工程应用要求,从算法的实时性、鲁棒性、抗干扰性等要求出发,设计了跟踪融合算法优化方案：一是构造基于特征层的空情特征,并利用决策层提供的决策可信度因子,对跟踪融合算法进行了相应改进;二是根据模糊神经网络及双模传感器在飞行中的不同特征提供的决策信息,对跟踪融合算法进行了优化调用。进行了相应的仿真分析,证明了方案的可行性。     

数据融合技术在车牌字符识别中的应用研究

在车牌字符识别中,针对单一识别方法识别率不高的问题,提出了应用数据融合技术,将不同的识别方法有机地结合起来构成融合型识别系统,有效地、综合地提高整个系统的识别性能.数据层选择了加权平均算法,特征层选择了人工神经网络算法,决策层采用了模糊推理算法实现对车牌字符的最终识别.应用MATLAB进行了仿真,并与单独使用BP神经网络算法的识别率进行了比较,结果证明采用数据融合技术系统的识别率得到了较大提高,达到90%以上.     

基于动态模糊积分的决策层融合识别算法

模糊积分是一种常用的信息融合方法,融合中最关键的问题是确定反映各信源重要程度的模糊测度。在此将该算法用于多传感器目标识别系统,首先介绍了Choquet模糊积分以及模糊测度的定义,再建立了基于动态模糊积分的决策层融合目标识别模型,将该过程转化为多个传感器的身份识别结果关于各自重要程度的广义Lebesgue积分。目前已有的确定模糊测度的方法几乎都只利用了训练样本的先验知识,适应性较差,难以全面地反映问题。该文在此基础上提出了一种基于动态模糊积分的决策层融合算法,可在判决过程中对结果进行动态的自适应修正,并给出了具体衡量各传感器重要程度的标准和方法。     

分布式检测系统的模糊有序统计融合算法

为提高基于二元局部判决的分布式检测系统的检测性能，研究了基于模糊隶属度函数的分布式检测系统融合算法，提出了模糊有序统计融合准则。通过对肼传感器进行分布式检测系统仿真，结果表明：模糊有序统计融合准则在均匀环境中能获得比基于二元判决准则更好的检测性能，也好于同样采用模糊隶属度函数的求和准则的检测性能，且在多目标环境下获得了较强的适应性。     

Multiobjective neural network for image reconstruction

The authors propose a multiobjective neural network model and algorithm for image reconstruction from projections. This model combines the Hopfield model and multiobjective decision making approach. A weighted sum optimisation based neural network algorithm is developed. The dynamic process of the net is based on minimisation of a weighted sum energy function and Euler's iteration and this algorithm is applied to image reconstruction from computer-generated noisy projections and Siemens Somaton DR scanner data, respectively. Reconstructions based on this method are shown to be superior to those based on conventional iterative reconstruction algorithms such as MART (multiplicate algebraic reconstruction technique) and convolution from the point of view of accuracy of reconstruction. Computer simulation using the multiobjective method shows a significant improvement in image quality and convergence behaviour over conventional algorithms     

一种多传感器空情信息融合算法

针对防空指挥系统快速反应决策能力要求,给出了可行的系统信息融合处理软件组成结构及功能描述,提出了一种适用于快速空情信息融合的通用信息融合处理方法和模型算法。建模过程中,提出的信息融合处理方法和模型算法将防空指挥系统信息融合的复杂过程条理化、公式化和数字化。仿真结果证明,该方法是正确和有效的。目前,该方法已应用到实际工程中。     

分布式多传感器的模糊决策融合

分布式多传感器数据融合属于决策层融合。针对分布式多传感器融合的目标识别应 用,本文提出了一种新的融合传感器模糊属性的模糊决策函数,它通过自适应方法调整模糊决策函数中的参数以适应不同的融合应用。文章利用计算机仿真实验对此决策函数融合的目标识别结果进行了分折,表明这种方法使融合系统可以适应不同的融合要求,具有较好的目标识别效果。     

一种新型异源图像融合质量评价模型

提出了一种基于FNN的异源图像融合质量评价模型。该模型将融合图像的主观评价结论样本集作为模糊期望输出,并利用高斯隶属度函数将多种典型图像融合客观评价指标进行模糊化,作为网络输入样本。通过网络学习,生成评价指标权重与隶属度函数的相关参数,并采用动量因子提高了网络的学习效率。实验结果表明,采用该方法进行异源图像融合质量评价,评价结论符合人眼的观察特性,主、客观评价结论具有较好的一致率,为融合图像自动化评价的实现提供了有效的途径。     

基于数据融合和数据挖掘技术的网络取证体系的研究

数据融合技术能利用不同传感数据的冗余信息实现互补以提高信息处理的正确性。数据挖掘技术能从大量数据中挖掘和发现有价值和隐含的知识,用于建模和优化。在分析了网络取证在网络安全领域的重要作用的基础上,结合数据融合和数据挖掘技术对网络取证系统进行了研究,并阐述其功能和组成、数据融合和推理决策的过程。     

基于"传感器-射手"的一体化概念模型

从一体化的概念出发,阐述了"传感器-射手"的内涵和特征,提出并讨论了"传感器-射手"的一体化作战系统概念模型、多网络结构概念模型和信息融合功能概念模型.     

认知网络中协作感知吞吐量的优化

为了提高集中式认知网络的吞吐量,提出了基于信任度的吞吐量优化算法.该算法在主用户充分保护的前提下,以认知用户的吞吐量为目标函数,融合中心采用双门限值对本地感知结果进行融合.从理论上证明了吞吐量是全局漏检概率的增函数,当全局漏检概率等于门限值时,吞吐量达到最大值.并利用牛顿迭代法求出单节点概率,然后采用遍历法可得到认知用户吞吐量最大值.仿真结果表明,当信噪比为-14 dB时认知用户融合优化算法相对"AND准则"OR准则"以及"HALF准则"归一化吞吐量分别提高了0.62、0.3和0.09.     

基于卷积特征和贝叶斯决策的双波段场景分类

针对可见光和近红外双波段场景分类存在图像标注样本少和特征融合质量低的问题,提出了一种基于卷积神经网络(CNN)特征提取和朴素贝叶斯决策融合的双波段场景分类方法。首先,将基于预训练的CNN模型作为双波段图像的特征提取器,避免标注样本少导致的过拟合问题;然后,通过主成分分析降维和特征归一化方法,提高支持向量机的计算速度和每个波段的分类性能;最后,以双波段后验概率为朴素贝叶斯先验概率,构建了决策融合模型,实现场景融合分类。在公开数据集上的实验结果表明,相比单一波段分类和双波段特征级联融合分类方法,本方法的识别率有明显提升,可达到94.3%;比基于传统特征的最优方法高6.4个百分点,与基于CNN的方法识别率相近,且执行简单高效。