基于D-S证据推理的多传感器战场目标识别

文中在简单介绍了多传感器信息融合技术的概念之后,详细阐明了D-S证据推理的原理及其应用于战场目标识别的方法,并进行了仿真处理.仿真结果说明,基于D-S证据推理的多传感器信息融合技术,是解决目标识别问题的一种有效方法.     

数据融合在雷达目标识别中的应用

数据融合（Data fusin)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,提供有关环境综合态势的一种数据处理技术。该技术在防空中首要解决的问题是,根据不同传感器信息源的信息,将飞机,导弹等不同空中目标航迹分类,实现对目标的探测、跟踪和识别。文中列出了其应用实例和用于雷达目标识别的各种数据传感器,分析了利用目标特征的统计或确定的、无知识库或有知识库的、用判定或信号融合的等类数据融合方案,讨论了加权平均法、表决规则法、模糊理论法、神经网络法等数据融合方法,并以“自动驾驶仪”为例,论证了专家系统在数据融合中的作用,由此提出了以专家系统和人工神经网络相结合的数据／信息融合是解决雷达目标识别之捷径的结论。     

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。     

基于两坐标雷达和红外传感器的融合目标跟踪算法

利用雷达和红外传感器的观测信息及目标运动的特征信息，改善系统对机动目标的跟踪性能；并在雷达无法主动开机的情况下，应用测向测时差定位法，处理机动目标的无源定位问题，在此基础上，应用数据融合技术进一步提高系统的定位与跟踪精度。     

传感器融合技术:创造最佳态势感知能力

传感器融合技术起源 传感器融合技术源于数据融合技术.1985年,美国国防部试验室联合理事会(JDL)所属的数据融合研究小组(即后来的数据与信息融合研究小组)首次提出了数据融合模型. 该模型历经数次改进,现作为数据功能分类的一种参考标准,已得到广泛运用,其有效增强了各个层次作战单位的态势感知能力. 传感器融合技术或许也可以称作"情报融合技术"——这也是当初数据融合研究小组对"信息融合"中"信息"一词的扩大化解释——因为该技术能够实现对所有数据的整合分析.在这一过程中,来自多个传感器(影像/雷达/信号情报/运动觉察器等)的定位与识别数据得到融合,生成一个有效的合成"图像",并且能够消除重复轨迹和定位偏差,产生最准确的目标引导信息.其最终成果涵盖了视觉、电子与语言信息,情报评估能力完全达到了"1+1＜2"的效果.     

数据融合在战场目标识别中的应用

采用异类传感器系统之间的集中式数据融合技术可以提高战场目标识别的准确度。首先,简要介绍数据融合技术的基本理论;然后,阐述数据融合在战场目标识别中的任务;最后,应用集中式数据融合技术进行战场目标识别仿真,检验其可行性。结果表明,该设计取得了良好的分类结果,将在军事领域得到更加广阔的应用。     

多传感器目标特性测量及数据融合应用

通过对单一探测模式的特点以及典型地面装甲的多种光电特性曲线及图像特征的分析，阐述了多模探测复合原则，以及多模复合回波数据融合结构，讨论了多传感器信息融合的模型和分析方法。基于多传感器信息融合技术有利用不同传感器工作方式上的协同作用和所获取目标信息的互补性，提高对目标的识别能力达到改善系统性能的效果。     

基于深度学习的光电系统智能目标识别

智能目标识别技术是光电系统多维立体侦察体系的重要支撑,是实现多角度、全方位目标定位、感知分析的基础。为满足复杂环境下光电系统中基于深度学习的目标识别需求,聚焦数据、算法和计算能力三大挑战,提出一种基于多源信息融合的智能化目标识别方法,对多个传感器融合得到的图像进行学习和训练,从而提高目标识别的能力。基于多维图像融合的目标识别技术,将多波段融合图像数据进行标注、训练学习,用来自动识别出图像中的多个目标。实验结果表明,所提算法能够实现对融合目标的精确识别与定位。     

多传感器定位跟踪技术研究

从方向定位的角度阐述了多平台多传感器的无源定位技术,重点介绍了多传感器的相关理论及对应的数据关联及数据融合技术,给出了多平台多传感器信息融合模型,并系统地介绍了目前实现多传感器信息处理的算法,有助于多传感器目标定位的深入研究。     

D-S证据理论在目标识别中的应用

根据地面目标运动引起的地震动信号的特征信息，应用多传感器信息融合的方法将目标正确分类。首先根据地震动信号在频域和时频域的多种特征，应用BP神经网络模式识别法，将地面车辆目标分为轮式车、轻型履带式车和重型履带式车。设计了一种以神经网络正确识别率作为基本概率赋值的方法，并应用D－S证据理论进行识别信息融合，训练样本和识别样本分别取自外场实验所获得真实有效的数据，通过对识别信息融合，以较高的可信度得到与识别样本相一致的识别结果，这表明所设计的获取基本概率赋值的方法及信息融合算法是有效的，该方法可以推广应用于其他多传感器或多信息源的探测识别系统中。     

基于相关性函数和模糊贴近度的多传感器数据融合

针对多传感器数据融合中,各传感器测量数据的可靠程度难以确定以及如何提高数据融合结果的精度问题.文中提出了利用模糊理论中的相关性函数来计算多传感器的相互支持程度,并基于模糊贴近度,对支持程度高的传感器数据进行融合.仿真结果表明,相比同类融合方法,该方法获得的结果具有更高的精度和可靠性.     

数据融合技术及其应用

数据融合是对多传感器目标信息按时序和准则自动分析和综合处理得出最终结论或决策的技术，包括多传感器和多信息输入、合成规则、表示形式等，分象素／特征／决策三级。随机融合包括经典推理法、卡尔曼滤波法和专家系统法等，用于三级融合各阶段。人工智能融合有模糊集合、神经网络、小波分析等，适用高层次融合，数据融合系统由传感器、处理机及相关硬软件组成，按结构分为并联／串联／混合／网络型，按控制开关分为开／闭环型，按战术应用分为集中／分布式，按融合规模分为单／多平台。     

基于矩阵分析的加权证据时空融合算法研究

在多传感器目标识别系统中．为解决各传感器可信度不一致的问题，提出加权证据的方法。为便于采用计算机实现，采用基于矩阵分析的D-S证据理论。考虑融合系统的时间性和空间性．先从空间域对多传感器进行空域信息融合．然后在此基础上对时间序列进行融合。最后进行判决，识别出目标。识别实例表明了该方法的正确性和有效性。     

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。     

敌我识别系统浅析

敌我识别(IFF)是高技术条件下现代战场中自动目标识别技术的重要应用之一.具有敌我识别能力的系统,已成为21世纪战场数字化系统的基本功能单元之一.目标识别目前具有目标特征识别、目标成像识别、无源探测识别、激光雷达识别、毫米波识别、多传感器数据融合识别等等方法.寻找一种简便而实用的识别方法是研制新一代敌我识别系统所必需充分考虑的问题,雷达自动目标识别是当前研究之重点,多传感器系统数据融合技术是其有效途径.由用户直接识别未知目标(即直接分系统)和向用户提供有关目标信息(即间接分系统)两部分组成的敌我识别系统,是正在研制的新一代敌我识别系统.     

基于信息融合的分布式多舰无源定位算法

提出一种基于信息融合的分布式多舰无源定位算法,该算法通过属性关联和空间关联相结合的方法实现了多舰无源传感器的定位关联,并采用时变采样间隔的修正增益推广卡尔曼滤波器,用多条舰艇的舰载电子侦察设备对海上多个运动辐射源目标进行分布式纯方位跟踪融合。仿真结果表明：进行跟踪融合后的定位精度比单个舰艇的定位精度有了较大幅度的提高,受目前雷达侦察设备的测向精度比较低的限制,使得跟踪融合后不能达到很高的精度,但该精度可以满足海上导弹攻击的需求,导弹可以通过对一定范围内的目标进行搜捕达到精确打击的目的。该算法对海上慢速运动的舰艇辐射源进行纯方位跟踪有较好的稳定性和可满足要求的定位精度,能够满足工程应用的要求。     

基于卡尔曼滤波水下弹道测量系统研究

水下弹道测量系统利用多传感器完成对鱼雷、靶标的跟踪定位．针对通常的几何定位方法,其算法复杂且定位精度不高的问题,研究了用于水下弹道测量系统的纯距离目标跟踪定位卡尔曼滤波算法,推导了相应的滤波公式．通过系统的仿真结果表明：该算法在收敛速度和估计精度方面都比较令人满意．     

基于支持向量机的磨削参数自适应系统

基于支持向量机的磨削参数决策系统通过多传感器信息融合获得磨削状态信息,用支持向量机分类器对其分类.经建立样本数据、选取核函数及其参数并求解拉格朗日系数,找出支持向量.再求解分类超平面系数,建立训练数据最优决策超平面,并根据样本数据学习.系统按分类学习结果自动选择工艺参数以控制磨削加工质量.     

潜艇多信息源目标融合识别模型

潜艇目标融合识别系统提取多信息源的目标信息,融合成目标属性,自动完成目标识别.决策融合识别模型根据目标环境和情报信息,提取目标属性信息.据目标特征信息的输入,判定其类型,给出结果可信度.再据各识别结果和可信度进行加权融合,以确定目标最终身份.