多传感器目标识别的神经网络与证据理论结合方法

FMM人工神经网络在模式识别和分类中具有独特的优势，D-S证据理论在多传感器决策融合上具有优势。提出了一种FMM神经网络与D-S证据理论相结合的多传感器数据融合目标识别方法，给出计算机仿真结果，表明该方法可以克服单一传感器ATR系统的局限性，提高对目标的识别率和系统的容错性。     

一种D-S证据理论的改进方法及其在目标识别中的应用

研究了基于D-S证据理论的多传感器信息融合算法，提出一种基于D-S理论的推广方法来解决融合信息的证据冲突问题，并将其用于红外成像／毫米波复合制导系统来进行目标识别的决策信息融合，结果比较理想，能够有效地化解证据间的冲突问题，提高识别系统的可靠性与准确度。     

基于时空信息融合的复合引信目标识别方法

针对传统导弹引信不能有效识别目标的问题,提出了基于时空信息融合的复合引信目标识别方法。该方法利用BP(Back Propagation)神经网络获取基本概率赋值,根据时空信息融合算法进行证据组合,最后通过Dempster决策规则得到复合引信目标识别结果。实践表明,利用该方法进行复合引信多传感器信息融合,能够提高引信对空中目标的识别率。     

基于神经网络与改进D—S证据理论的目标识别

研究基于神经网络（NN）和D—S证据理论相结合对多传感器多测量周期进行数据融合的目标识别方法．采用中心式融合算法,利用神经网络对单个传感器不同周期的目标进行融合识别;利用D—S证据理论对识别信息进行全局融合,得到综合的目标识别,达到对目标识别的目的,并通过实例证明了该方法的有效性．     

基于证据组合理论的多传感器目标识别算法

为了提高多传感器目标识别的准确性,提出了证据加权数据融合的新方法。给出了证据理论的基本概念、组合规则、加权证据组合及决策规则,同时给出简单的多传感器信息融合模型。针对战场环境下多传感器系统获得的辐射源信息。通过仿真给出了文中方法的目标识别步骤及识别结果．仿真结果表明该算法提高了目标识别的准确性和有效性。减小了识别的不确定性。     

多模复合制导系统决策融合中的D-S证据理论

对决策融合领域最常用的几类方法进行了分析与比较,论述了D S证据理论和基于准贝叶斯结构的D S证据理论,并给出了D S证据理论在多模复合制导系统决策融合中的应用。仿真结果表明,基于准贝叶斯结构的D S证据理论能够有效地降低多模复合制导系统决策融合中目标识别的不确定性概率,提高目标的识别率。     

基于神经网络与改进证据理论融合的故障诊断方法

为提高液压驱动的火箭炮随动系统故障诊断准确性,将双BP神经网络和D-S证据理论相结合的数据融合方法引入到故障诊断中,运用并行的两个BP神经网络对液压驱动的火箭炮随动系统进行局部诊断,再用D-S证据理论对局部诊断的结果进行全局融合,克服了单一BP网络诊断的缺陷,使证据理论的基本可信度分配不再完全依赖专家进行的主观化赋值,从而实现了赋值的客观化,为解决冲突证据无法判别的问题,引入了信任系数的概念,修正融合结果,减少了故障分类识别的不确定性,提高了诊断系统的可靠性。通过液压系统实例,验证了该方法的可信度和可行性。     

基于D-S的小波神经网络信息融合方法

文中将小波分析理论、神经网络技术与D-S证据理论引入到火箭发动机故障诊断中，提出了一种适于发动机故障诊断的小波神经网络信息融合方法。     

一种融合ESM和红外传感器的飞机目标识别方法

针对单一传感器提供的信息不全面的缺点,提出了一种融合ESM和红外传感器的互补信息来进行目标识别的方法。该方法在神经网络的基础上,结合模糊集理论和D—S证据理论。获得了较高的识别率。最后通过飞机目标的仿真试验,证明了该方法是有效的、可行的。     

基于Dempster-Shafer证据理论的通信辐射源个体识别算法

针对由于各种信号干扰和传感器误差导致辐射源个体正确识别率较低的问题,提出一种 多传感器融合识别算法进行复杂电磁环境中的通信个体识别。该算法将Dempster-Shafer证据理论和特征提取结合起来,充分利用侦测的信号特征,减少了识别过程中的不确定信息。该融合识别算法提取侦测信号中的个体特征,使用基于决策向量的自适应证据融合方法将由个体特征转化而来的多个证据相融合,最后再根据判决准则得到最终的识别结果。分别对自适应融合方法和融合识别算法进行仿真分析,结果表明自适应证据融合方法可以综合考虑融合过程的计算效率和融合结果的合理性,在二者之间达到平衡。与现有的识别方法相比,多传感器融合识别算法可以提高复杂电磁环境中个体识别的稳定性和正确识别率。针对由于各种信号干扰和传感器误差导致辐射源个体正确识别率较低的问题,提出一种 多传感器融合识别算法进行复杂电磁环境中的通信个体识别。该算法将Dempster-Shafer证据理论和特征提取结合起来,充分利用侦测的信号特征,减少了识别过程中的不确定信息。该融合识别算法提取侦测信号中的个体特征,使用基于决策向量的自适应证据融合方法将由个体特征转化而来的多个证据相融合,最后再根据判决准则得到最终的识别结果。分别对自适应融合方法和融合识别算法进行仿真分析,结果表明自适应证据融合方法可以综合考虑融合过程的计算效率和融合结果的合理性,在二者之间达到平衡。与现有的识别方法相比,多传感器融合识别算法可以提高复杂电磁环境中个体识别的稳定性和正确识别率。     

基于神经网络的引信干扰信号对消

阐述了自适应干扰对消的基本原理，讨论了基于预测思想的神经网络干扰对消器的设计，实验仿真证明了神经网络对消器比一般线性对消器的优越性。可以大大提高无线电引信从干扰信号中提取有用信号的能力。     

基于信息融合的多层次故障诊断研究

针对现代复杂设备故障特征参数较多,一般诊断方法难以解决的问题,在分析了神经网络和D-S证据理论的优劣之后,从优势互补的角度出发,以信息融合为基础建立了并行多层次故障诊断模型,并讨论了模型的应用问题,给实际诊断的进行提供了参考。     

浅谈防空导弹共架发射技术的可能性

介绍了国外典型的导弹共架发射系统和弹炮结合系统，结合某些防空导弹的特点浅谈了共架发射的可能性，最后为在研的导弹武器系统提出了为共架发射作准备的一些建议。     

基于多分类支持向量机和证据合成方法的多传感器信息融合研究

为克服支持向量机和Dempster方法的不足,提出一种基于SVM多分类器的识别结果概率输出方法。以BPA函数的形式输出SVM多分类结果,对Dempster证据合成方法进行了改进：根据证据之间的相似性程度判断是否存在证据;中突,对于证据数目在3条以上且存在冲突的证据组合,引用统计理论中马氏距离的计算公式计算各证据与其余证据组合之间的距离,导出各证据的重要性权系数,由此对证据的BPA函数进行转化,采用Dempster方法对转化后的BPA函数进行合成。然后,将SVM多分类器的BPA输出作为参与融合的各传感器对应的BPA函数,采用改进的证据合成方法进行合成,得到最后识别结果。结果表明,SVM识别方法能降低错误率,其输出形式包含更多信息量。     

蓄能式液压发射装置设计与分析

为了控制传统往复泵式武器发射装置发射武器时产生的剧烈喷注噪声,基于空气弹簧理论,提出了蓄能式液压平衡发射装置的设计方案.设计方案采用高压气体作为能量存储媒介,易于工程实现.基于水压平衡式发射模块的数学模型,建立了蓄能式发射装置发射武器的内弹道模型,并开展了仿真计算.仿真表明改进发射装置可以顺利完成武器发射任务,发射时间...     

弹射发射反坦克导弹发射动力学分析

通过理论分析和测试，建立了包括导弹，发射筒和发射支架的弹射反坦克导弹发射动力学分析随机模型，设计了分析计算程序，用于分析计算发射过程红外光轴振动，导弹的初始扰动和无控飞行段的散布，预估导弹射入可控域的概率和发射支架的稳定性。该模型和计算程序适用于多种发射方式和制导方式的反坦克导弹发射动力学分析。     

基于D-S证据理论的预警卫星探测效能评估方法

为减少预警探测卫星探测效能评估中的不确定性,弥补模糊层次分析法等传统评估方法在处理不确定问题上的不足,提出了一种基于D-S证据理论(Dempster-Shafer证据理论)的效能评估方法.该方法将评估指标和评估信息看作是D-S证据理论中的焦元和证据源,再利用Dempster聚合规则进行聚合.结果表明:此方法比传统的模糊AHP法具有更强的处理不确定性信息的能力,可以提高评估的精度.     

基于CREAM的航天发射场人因可靠性定量分析方法研究

以我国航天发射场安全评估为背景,基于认知可靠性和失误分析方法(CREAM),开展航天发射场人因可靠性(HRA)定量分析方法研究。首先结合航天发射场特点对共同绩效条件(CPC)进行改进,之后采用模糊方法处理CPC到控制模式之间的映射关系,提出了环境影响因子值的概念,提出了航天发射场HRA定量分析流程,最后针对火箭吊装过程进行了实例分析。     

灰色神经网络在空舰导弹寿命预测中的应用研究

结合灰色理论与BP神经网络建立了灰色神经网络组合预测模型.该模型有效地将灰色理论弱化数据序列波动性的优点和神经网络特有的非线性适应性信息处理能力相融合.利用三种灰色模型及灰色神经网络模型对某型空舰导弹某电子设备的失效时间进行预测,研究结果表明灰色神经网络预测效果明显优于灰色模型,是一种实用的且精度较高的预测方法.