用D-S证据理论方法实现多传感器数据融合

对 Dempster- Shafer证据理论用于多传感器数据融合进行了分析 ,并将其应用于飞机目标识别的数据融合中。结果证明 ,多传感器融合后降低了识别结果的不确定性 ,较单一传感器的识别效果好。说明这一方法是一种有效的数据融合方法     

基于D-S证据理论的多传感器目标识别应用

以目标识别为背景,详细阐述了Dempster-shafer(D-S)证据理论方法的原理、多传感器信息融合的实现方法.并以多感觉智能机器人为载体,运用递归集中式融合方法测量数据结构中的互不相容元素对目标进行识别.从识别结果可以看出,这是一种识别目标的有效方法.     

D-S证据理论的不足及其数学修正

针对D-S证据理论对高冲突证据融合得到有悖常理的无效结果问题,研究了国内外典型文献提出的各种改进方法,从原理上对其进行了组合规则的修正和证据源的修正两大分类,并对各种方法的不足进行了数理分析和总结.在此基础上引入证据信息容量和证据间距离函数来对各传感器提供的证据信息进行预处理,再对得到的新的证据信息用证据可信度作为权重进行加权融合.数值仿真实验表明:这种新的修正模型不但比较好地结合了两类改进方法的优点,在形式上和Dempster组合规则保持一致,而且能较好地处理冲突证据在信息交叉时的融合,取得了更加合理的效果,并且为D-S证据理论的完善提供了一个新的探索途径.     

基于D-S证据理论的月球探测机器人的信息融合

为解决传统的D—S理论在判别传感器数据之间的相互关系时过于绝对化和经验化的问题，引入了互信因子的概念，用于表示不同证据间的相互支持程度，提高决策的可靠性．采用D—S证据理论实现了月球探测机器人的信息融合，并以障碍物检测为例进行了验证，实验结果表明了该方法的可行性和有效性。     

基于改进的D-S证据理论的栅格地图构建

针对非结构化环境地图构建问题,提出了一种基于改进的D-S证据理论的栅格地图构建方法。使用移动机器人多超声波传感器进行了环境探测;针对某些情况下不能应用D-S证据理论进行信息融合和D-S证据组合过程有时会产生有悖常理的无效结果的问题进行了讨论,提出了采用近似处理算法对D-S证据理论进行改进,并将其用于多传感器信息融合,构建了2维D-S栅格地图;运用D-S证据理论进行了判决,构建了2维0-1栅格地图;对D-S栅格地图进行了分析,提出了基于D-S栅格地图的环境评价与环境探测效果评价方法。仿真结果表明,基于改进的D-S证据理论的栅格地图构建方法适用于非结构化环境的地图构建。     

基于D-S证据理论的移动机器人多超声波传感器信息融合方法

采用多超声波传感器来获得履带式行走机器人的环境信息,并利用Dempster-Shafer证据理论对获取的信息进行分析和融合,从而完成对周围环境的准确认识,试验结果表明效果良好,具有良好的使用价值.     

基于神经网络与D-S证据理论的目标识别

针对目标识别中基本可信度分配需要专家知识在实际中难以实现的问题,提出一种基于神经网络和D-S证据理论相结合的多传感器数据融合的方法.该方法利用D-S理论来表示和处理不精确的、模糊的信息,发挥神经网络的自学习、自适应和容错能力,提高了系统识别率.最后通过实验,利用神经网络来处理证据理论中的基本可信度分配问题,对几种空中目标进行身份估计数据融合,经计算机仿真证实了该方法的有效性.     

基于D—S证据理论的多传感器目标识别应用

以目标识别为背景,详细阐述了Dempster—shafer（D-S）证据理论方法的原理、多传感器信息融合的实现方法．并以多感觉智能机器人为载体,运用递归集中式融合方法测量数据结构中的互不相容元素对目标进行识别．从识别结果可以看出,这是一种识别目标的有效方法．     

D-S证据理论合成规则的一些修正

在多传感器数据融合中，D-S证据理论对于处理不确定性问题是一种有用的方法。但是，D-S证据组合规则的一些不足影响了证据理论的应用。虽然Yager对此做了改进，但改进后的组合公式仍然存在问题。通过分析证据理论中关于冲突证据置信度分配中存在的问题，针对时域冲突的特点提出一种新的合成规则改进方法，由此弥补了D-S理论和Yager合成公式的不足，对于在时域上高度冲突甚至完全冲突的证据，能够取得理想的结果。     

基于D-S证据理论的障碍目标身份识别

以越野环境中典型的障碍物为识别目标,选用单目视觉与激光扫描仪建立融合系统,基于D-S证据理论融合多传感器信息,实现UGV对障碍目标的身份识别。首先将每个传感器的观测数据从观测空间变换到证据空间,对每种身份分配一个基本概率赋值;融合系统再根据Dempster组合规则计算各个命题组合后的概率赋值函数和相应的信任度区间,然后计算综合概率赋值函数和信任度区间;最后根据计算结果和决策规则进行障碍身份识别。试验表明:该方法优于利用单个特征识别障碍物身份,能大大提高系统对于障碍物的识别分类能力。     

基于运动平台的运动目标检测与跟踪

为了实现大视场智能监控,本文提出了一种基于运动平台的运动目标检测与跟踪方法．在相邻帧之间通过块匹配进行运动补偿,采用三帧差分法分割出运动目标．当运动目标正常运动时跟踪其形心;当运动目标被遮档时,根据卡尔曼滤波器预测的形心跟踪目标．其中,对于块匹配,采用边缘点作为匹配块的中心点并根据摄像机的运动方向确定搜索范围,使处理速度提高了38．6％．另外,比较得出最小二乘法对运动目标运动状态突然改变时拟合效果差,因此采用卡尔曼滤波器进行预测．实验证明,本算法适应环境变化的能力强,而且平均每秒处理37．6帧,达到实时处理要求．     

基于改进YOLOv3的运动目标分类检测算法研究

提出一种基于改进YOLOv3算法的一类运动目标检测算法. 为进一步提高YOLOv3的检测精度,采用基于DIoU优化的边界框回归损失函数进行计算; 优化非极大值抑制,有效减少了目标框重叠的现象,提高检测精度; 针对运动目标检测,提出一种基于目标框多中心点位移的检测算法. 经UA-DETRAC数据集上的实验表明,改进后的算法在提高检测精度的同时保证了较快的速度,准确率和召回率相比原始YOLOv3分别提高了 8.07%和3.87%,对运动目标的检测速度可达20 fps/s,可满足实时检测的要求.     

目标估计协方差控制的多传感器管理算法

提出了一种基于目标估计协方差控制的多传感器管理算法．该算法针对目标对运动状态估计精度的要求，设定相应的误差协方差水平，通过选择达到该水平的最小传感器组合，以实现对传感器的有效管理．仿真结果表明，该算法在维持目标估计协方差达到一定水平的情况下对传感器资源选择有良好的性能．     

基于D-S理论与QFD结合的物流服务产品设计

针对B2C电子商务物流的全过程,利用证据理论协同处理需求信息,应用质量功能展开法实现需求到服务的转换,设计了相应的物流服务产品。研究结果表明,为了满足B2C电子商务物流的需求,快递企业只有提供订单服务、仓储服务、运输与配送服务、末端派送服务及重构信息系统等全过程服务,才能实现自身在B2C电子商务物流服务领域的特色及竞争优势。     

基于滑动相关的UWB雷达目标识别

目标识别是现代雷达领域的一个难点问题．本文基于滑动相关理论，结合超宽带（UWB）雷达能获取目标高分辨力距离像的特性，提出了一种基于滑动相关的UWB雷达目标识别方法．该方法避免了对目标极点的提取，仿真结果表明有较好的识别效果，且算法简明，易于实现．     

基于动态图像序列的运动目标跟踪

介绍了运动目标跟踪中基于特征、 3 D、变形模型和区域的 4种跟踪方法 ,着重分析了变形模型中Snake的跳跃模型跟踪方法和基于区域的几个有代表性的跟踪方法 ,说明了其在智能交通监控中的应用 ,并给出了区域跟踪的实验结果。     

一维运动目标的特征估计

为了提取具有强平稳杂波背景和空间距离很近的散射体环境下运动目标的高距离分辨率特征,文中首先建立了强平稳杂波环境下运动目标的数学模型,采用基于松弛算法的非线性最小二乘算法估计了目标特征与杂波;然后对该算法进行了仿真实验,用最小均方误差与克莱美-罗界进行比较验证了该算法的优越性。数字举例证明了该算法在强平稳杂波环境下,对运动目标具有高分辨率和较好的估计性能。     

基于Hadoop平台的图像分类

随着图像数据的增加,海量的图像分类过程成为了一个耗时的过程。Hadoop是一个开源的分布式处理系统基础架构,有着优秀的海量数据处理性能。首先对Hadoop系统和编程框架进行了介绍,然后将图像分类中的海量数据处理过程在Hadoop平台上实现。与运行环境DELL powerEdge R170比较显示：基于Hadoop平台的图像分类在小图特征提取处理上Hadoop平台优势不明显,但对于大图特征提取、向量运算和kNN运算,耗时大大缩短,数据处理能力的优势明显。     

基于D-S证据理论的多类支持向量机融合方法

多源信息决策级融合是一种高层次、直接针对具体决策目标的融合,融合结果直接影响决策水平．针对决策级融合问题,提出了一种基于D-S证据理论的多类支持向量机融合方法．首先构造多个多类支持向量机分类器,然后采用一种新的基于成对类别概率的基本概率赋值方法,应用D-S证据理论将它们融合．仿真结果验证了该方法可以得到更高、更稳定的识别率．