基于数据融合和多重智能模型的目标识别和跟踪

考虑到单传感器的系统存在着局限性,提出了基于多传感器（雷达和红外）信号融合的目标识别和跟踪系统,以利用数据的互补和冗余。特征层融合能利用各传感器提供的特征为提高目标识别能力;对于点目标和面目标分别提出了智能规则推理和神经网分类器的目标识别方法。决策层融合能提高目标跟踪的精度并提高抗干扰性;提出了可信度决策的目标跟踪方法。     

基于多传感器数据融合的喷水推进泵空化分类识别

采用基于奇异值分解和人工神经网络的多传感器数据融合方法对喷水推进泵的空化状态进行了分类识别研究。首先利用基于奇异值分解的权值估计算法分别对水声信号和振动信号在时间上进行数据级融合,提取出各自的特征,然后将所有特征组合起来作为神经网络的输入,利用BP网络和RBF网络进行特征级融合和分类识别。分析结果表明：基于多传感器数据融合的分类识别结果优于单传感器分类识别结果;采用基于奇异值分解的数据融合方法后,分类识别率显著提高,对空化初生微弱特征的识别效果尤佳。     

基于数据融合和小波分析的结构损伤诊断

基于数据融合和小波分析理论，提出一种新的结构损伤诊断方法。采用改进的一致性算法融合多传感器的测量数据，克服了一致性算法中两传感器在测量精度不同时置信距离不同的缺点，对支持矩阵进行模糊化处理，避免了人为定义阈值而产生的主观误差。利用小波分析的降噪和多尺度分辨能力对多传感器的数据进行分析处理，从而对结构损伤作出诊断识别。通过数值算例，验证了该方法可以充分利用所有传感器的有效信息，能够在部分传感器性能降低（如受到噪声影响），甚至是完全失效的情况下，对结构损伤作出正确诊断。     

带SSR修正的异步多传感器系统的无味JPDA跟踪

针对杂波环境下多变采样率传感器多目标跟踪问题,考虑到二次雷达(SSR)具有辨别敌我方目标和更精确的高度探测能力,本文提出了一种带SSR修正的异步多传感器系统的无味JPDA跟踪算法.该算法首先通过测量值映射的异步数据处理方法对多传感器数据进行点迹的合成,然后通过二次雷达对敌方目标的高度信息进行自适应修正,最后用无味JPDA算法对按序到来的异步采样量测进行顺序滤波融合.通过蒙特卡洛仿真,表明该算法在提高目标跟踪精度和正确关联概率上是有效的.     

采用多传感器数据融合技术的消防报警系统

介绍了多传感器数据融合消防报警系统，然后在分析信号特征和各种算法的基础上提出数据融合的思想。根据多传感器的不同性质，进行多级别、多方面处理，以求更可靠更准确的结果。并提出了基于传感器数据融合的火灾报警的基本框架，最后讨论了传感器数据融合的方法和管理实施。     

基于数据融合和“能量-损伤”的结构多损伤模式识别

基于一致性数据融合算法和"能量-损伤"结构特征提取原理,提出一种结构多损伤模式识别方法,能够充分利用结构不同位置的不同状态信息,更好地对结构损伤做出判断。对一致性数据融合算法进行改进,使得改进后的算法能够克服一致性算法中两传感器在测量精度不同时置信距离不同的缺点,并对支持矩阵进行模糊化处理,避免人为定义阈值而产生的主观误差。利用"能量-损伤"特征提取技术,构造融合后多传感器测量数据的特征向量,以ART2神经网络作为模式识别工具进行结构多损伤识别。五层框架结构数值计算结果表明,提出的方法能够用于结构多损伤识别,且具有较强的鲁棒性、稳定性和适应性。     

新技术在堤坝隐患自动识别系统中的应用

目的：为了对堤坝隐患进行有效的识别。本文提出了3种新技术，即堤防隐患雷达探测系统。多传感器探测网络系统及其数据融合技术，红外成像技术在堤坝隐患自动识别系统中的应用，方法：介绍了这些应用的系统组成，原理以及方案。结果与结论：通过研究发现这3种新技术能够用于堤坝隐患自动识别系统中，证明了这些方法的有效性。     

基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法。通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类。为了避免因人为选择DBN结构参数,导致模型识别精度下降的问题,利用改进的混合蛙跳算法(ISFLA)对DBN结构参数进行优化。试验表明,与BP神经网络、未经优化的DBN以及单传感器故障诊断相比,该研究提出的信息融合及优化方法具有更高的故障识别精度。     

基于小波变换的图像融合方法研究

图像融合是多传感器信息融合的一个重要分支,小波变换是这一领域研究方法上的重大突破。本文通过对小波变换理论的研究,分析了二维离散小波分解与重构的算法,提出了一种高频小波系数直接替换的算法,并利用MATLAB数学分析工具环境实现全色图像和多光谱图像的融合,实验结果表明这种方法能很好地增强图像的光谱分辨率,便于对图像进行分析和识别。     

基于多传感器信息融合的结构损伤识别研究

针对结构健康监测系统中的传感器数量多、数据信息复杂的特点，从模式识别和局部控制、全局参与的思想出发，提出了多传感器信息融合方法对结构损伤进行识别。首先应用小波包变换对结构振动测试数据进行特征提取，通过不同传感器特征向量的合成完成数据层融合；然后建立三个耦合神经网络分别实现结构损伤的确认、定位及定量，并完成决策层的信息融合；最后进行了36个损伤工况的结构模型实验研究，验证了所提出的方法是可行的和有效的。从实验验证的结果来看，对损伤率在7．5％以上的结构，损伤识别精度较高；对于损伤确认和损伤定位，识别精度较高，而对于损伤程度识别有一定偏差。     

基于无偏转换的雷达配准算法

在多雷达数据处理系统中,雷达本身的系统偏差是影响目标跟踪和数据融合质量的一个重要因素.为了使融合结果更加准确可靠,本文提出了基于无偏转换的雷达配准算法.该算法是通过无偏转换把其它雷达的测量转换到主雷达下,利用各雷达相对主雷达的测量差值,采用Kalman滤波器实时估计出各雷达的系统偏差(方位和距离),从而进行配准.仿真实验结果表明这种算法是有效的.     

多传感器航迹数据融合的机载火控系统

为研究机载火控系统多传感器数据融合的方法。采用了基于多目标多传感器航迹数据融合的改进的卡尔曼滤波算法，运用假设检验理论，充分考虑了位置数据互联的正确性和目标信号的历史信息，使其性能不随目标数目的增大而变差。计算机仿真表明：所建立的系统操作方便，运行可靠，性能价格比高；所采用的算法具有处理速度快、精度高等优点。     

根据融合方法不同探讨自动化系统假目标问题

本文介绍了多雷达融合加权平均算法原理、ATC3000应急系统内部融合方法事例与雷神系统内部马赛克介绍了解两个系统内部处理方法,在算法上探讨雷达终端自动化系统假目标问题。     

多传感器数据融合研究

数据融合技术又称多传感器数据融合或分布式传感,即对多类多源和多平台传感器数据进行组合,提供有关空间信息综合态势的一种数据处理技术。数据融合可分为:信号级数据融合、像素级数据融合、特征级数据融合和符号级数据融合。本文讨论了红外图像、可见光图像、多谱图像、雷达图像等的数据融合问题以及各级数据融合的方法。     

基于模糊支持度的分布式多传感器加权融合算法

针对目前分布式多传感器数据融合算法中鲁棒性和实时性问题,基于充分利用多传感器测量数据中互补和冗余信息的思想,通过局部状态估计精度间支持度函数的建立和支持度矩阵的求解,合理地分配各局部航迹估计在融合中心的权重,进而提出了一种基于模糊支持度的分布式多传感器加权融合算法.最后,通过蒙特卡罗仿真验证了该算法的有效性.     

基于PSO优化BP神经网络的多传感器数据融合

针对室内环境监测中单一传感器测量数据精度低、可靠性差的问题,提出一种基于粒子群(particle swarm optimization,PSO)优化BP神经网络多传感器数据融合算法。首先使用防脉冲干扰平均滤波算法来消除检测数据中的异常数据和噪声数据。其次,利用卡尔曼滤波算法对多同类传感器进行数据级融合,有效地降低因噪声干扰导致的测量误差,为异质传感器进行决策级融合提供最佳数据。最后,采用PSO优化BP神经网络算法进行决策级融合。实验结果表明,基于PSO优化BP神经网络多传感器数据融合算法对测试样本的平均绝对百分比误差(mean absolute percentage error, MAPE)和拟合度(r²)均优于BP神经网络和自适应加权(adaptive weighted, AW)优化BP神经网络,且运行时间比BP神经网络以及AW-BP神经网络分别短69.31%、50.36%。经验证,基于PSO优化BP神经网络多传感器数据融合算法具有更高的融合精度,同时缩短了算法的运行时间。     

地面常规雷达体制下的点迹凝聚算法分析

介绍一种基于地面常规雷达体制下点迹凝聚算法的设计方法。通过对常规体制雷达中点迹凝聚的算法、功能、处理进行分析、归纳和分类,找出一些共性的设计思想转化成相应的算法。在设计方法上分析该算法的软件架构、算法原理和实现方法,并且论述其中涉及的若干关键技术。该算法可应用于地面常规体制雷达,包括地面两坐标雷达、地面三坐标雷达、PD体制雷达等。     

应用统计信号处理和模糊数学的图像融合算法

针对多传感器图像在像素级上的融合问题,将模糊数学理论引入到图像融合模型。该模型假定理想的融合后的图像包含场景所有的信息;将它乘上一个模糊因子,再加上随机噪声,可用来描述某一个成像传感器中获得的场景图像;不同的传感器对应不同的模糊因子和噪声。在此基础上,提出了建立在非多尺度分解框架下的图像融合算法。它以各传感器获取的图像作为输入条件,应用统计信号处理中的EM算法,求出针对不同传感器的噪声参数和模糊因子,通过迭代估计出融合的图像。实验结果显示,该算法获得的融合图像的互信息和联合熵分别达到3．5079和24．732,均优于加权平均融合法、小波融合算法和Laplacian融合算法的融合质量。     

滚动轴承故障非接触多传感器声信号融合方法

摘　要：针对移动滚动轴承非接触声发射检测中,一个故障源信号可能被多个传感器采集,致使这些声信号包含故障信息不完整且存在重叠的问题,综合考虑声波传播理论、多传感器声信号时差关系、滚动轴承典型故障撞击频率等,建立滚动轴承故障非接触多传感器声信号融合方法。建立滚动轴承故障非接触多传感器声发射检测试验台,分别采集移动滚动轴承滚动体、外圈和内圈故障声信号。采用融合方法对同声源信号进行处理,利用信号相似理论证明了融合信号与故障源信号的相似程度高于各传感器声信号。采用声发射累计撞击计数法对融合处理后的滚动轴承不同故障声信号进行分析。结果表明,该融合算法能有效地处理多传感器接收的同声源信号,可利用融合后信号进行准确的故障识别。     

基于迁移学习与加权多通道融合的齿轮箱故障诊断

针对齿轮箱单一传感器故障识别精度波动大、数据利用率低、可靠性低及故障诊断模型在多工况下泛化能力不足等问题，提出了一种加权融合多通道数据与深度迁移模型的齿轮箱故障诊断方法。首先，为了充分挖掘齿轮箱多通道数据的信息，提出了基于信息熵加权的多通道融合方法，采用信息熵法计算各通道数据的融合权重，并对各通道的采样数据进行加权融合。其次，利用源域的融合数据对深度迁移模型进行预训练，将预训练得到的模型参数作为目标域模型的初始化参数，同时冻结目标域模型特征提取器的参数，并利用目标域的融合数据对目标域模型分类器的参数进行微调，实现深度迁移模型从源域到目标域的迁移以适应新的目标样本识别任务。最后，齿轮箱多工况迁移诊断试验结果表明，所提方法可有效用于齿轮箱的故障诊断，相比传统迁移学习方法平衡分布自适应算法(balanced distribution adaptation, BDA)、迁移成分分析(transfer component analysis, TCA)、联合分布自适应算法(joint distribution adaptation, JDA)、统计分布和几何空间联合调整算法(joint geome...