基于D-S证据理论的多模复合制导目标识别

多传感器信息融合已成为现代条件下目标识别的重要手段.研究基于D-s证据理论的多传感器信息融合算法,提出一种基于Dempster-Sharer理论的推广方法以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,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.     

基于D-S证据理论多传感器信息融合的辐射源及平台识别

本文深入研究了基于D-S证据理论的多传感器信息融合方法,将其应用于单个辐射源识别,并在此基础上将其推广到辐射源平台识别,提出了一种应用于平台识别的可行方法,仿真结果表明,这种基于D-S证据理论信息融合识别方法是适用有效的.     

基于最大隶属度与证据理论的目标识别融合

为解决各传感器的类型、精度,外界干扰以及不同传感器对不同目标敏感程度的不同对目标识别的决策结果的影响,通过运用智能信息处理和多源信息融合的相关知识建立了基于最大隶属度与证据理论的目标识别融合模型.该模型首先分析了影响目标识别的因素;然后各雷达站依据最大隶属度选取了不同的权重,从而求出了所测目标相对于目标库中参考目标的隶属度,并将得到的本站对目标的决策结果进行归一化处理后送往了融合中心.研究了比较常用的对不确定信息进行处理的D-S证据理论法,并深入分析了其证据合并规则与决策规则.在融合中心运用了D-S证据理论的有关知识进行融合,最终输出了融合后的目标识别的决策结果.实例证明了该目标识别融合模型的可行性.     

D-S证据理论在雷达体制识别中的应用

本文在详细阐述了Dempster-Shafer证据理论的基础上,介绍了基于D-S证据理论的雷达体制识别的信息融合算法。识别实例和对比实验表明,这种信息融合识别方法是非常有效的。     

采用粗BP神经网络和D-S证据理论的目标识别

为克服传统的目标识别方法的不足,提高目标识别的实时性和准确性,提出将粗BP神经网络与D-S证据理论相结合的识别模型.在多传感器数据融合中利用粗集理论对大量的传感器数据进行处理,对输入信息进行约简,剔除冗余信息,简化了生成规则和BP神经网络模型结构,提高了网络训练速度和运行速度.以BP神经网络输出作为证据,后端对不同传感器的证据用D-S证据理论进行融合,得到待识别目标的识别概率.实验表明该模型减少了识别的主观因素,简化了BP神经网络结构,提高了运算速度和识别效果.该混合模型有比较好的应用前景.     

改进的证据组合规则及其在融合目标识别中的应用

针对D-S理论在解决证据冲突时的局限性,提出了一种改进的证据组合规则.该方法充分考虑了证据源信息和冲突证据本身的信息,利用证据间的支持度矩阵,得到各证据的可信度.并以此对证据进行加权平均;在此基础上,将支持证据冲突的概率按各个命题在所有命题中所占的比重进行分配.仿真实验结果表明,该方法在处理冲突证据问题及证据比较一致的问题时,都能得到合理的融合结果.在实际的多传感器融合目标识别中,可以充分利用多个传感器的互补信息,最大程度地降低矛盾冲突因子对识别结果的影响,从而提高了融合识别的可靠性和有效性.     

基才模糊C均值聚类和D-S证据理论的多传感器信息融合技术研究

D-S证据理论能很好地表达"不确定"和"未知"等信息融合中的重要概念,在多传感器信息融合领域得到了广泛的应用.针对传感器数量较多时,D-S方法计算量很大的问题,提出了利用模糊C均值聚类来减少证据体数目.再结合D-S证据理论进行信息融合的办法.实验数据表明,该方法大大减少了计算量,保证了目标识别的准确度.     

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.     

D-S证据理论数据融合算法在某系统故障诊断中的应用

介绍了Dempster-Shafer(D-S)证据理论数据融合算法的基本原理,在此基础上以电压-码转换电路板为被诊断对象,探索了基于D-S证据理论多传感器数据融合算法的某系统电路故障元器件诊断方法.诊断结果表明D-S证据理论多传感器信息融合算法可有效地提高故障模式的识别能力,使故障元器件得以有效定位.     

D-S证据理论方法在目标识别中的应用

D-S证据组合理论已经成为不确定性推理的一种重要方法,基于该理论的多传感器决策层数据融合已得到广泛应用.介绍了D-S证据理论及其有关概念和D-S合成法则,阐述了基于D-S证据组合理论的数据融合一般步骤及决策层判决方法,运用D-S证据理论对目标进行了融合识别.与单一传感器的目标识别结果相比较,上述方法能明显提高目标识别能力,同时降低目标识别的不确定性,提高目标识别的可靠性.     

证据理论和改进神经网络相融合的图像识别算法

针对单一特征图像自动识别算法存在识别结果不稳定和识别正确率低等缺陷,提出一种基于证据理论和改进神经网络相融合的图像自动识别算法.首先提取能反映图像类别信息的颜色和纹理特征,然后采用RBF神经网络对单一特征进行初步识别,识别结果作作为证据,最后采用证据理论对初步识别结果进行决策融合处理,得到图像最终识别结果.仿真测试结果表明,该算法的平均识别正确率达到92.29％,相对于单一特征识别算法,图像识别结果的可靠性和正确率得到了大幅提高,具有较好的应用前景.     

红外小目标识别的新方法

针对复杂背景下红外小目标识别困难的问题,提出了一种基于证据理论的多传感器红外小目标融合识别方法,该方法能通过多传感器信息融合的方法达到证据积累的效果,大大提高了红外小目标的识别可信度,具有一定的实用性.     

多传感器信息融合机载辐射源识别

本文在阐述 Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ （Ｄ－Ｓ）证据理论的基础上，较系统地论述了基于Ｄ－Ｓ证据理论的多传感器机载辐射源识别的信息融合方法，识别实例和对比实验表明，这种信息融合识别方法是非常有效的。     

基于异类传感器信息融合的平台识别算法

从实用角度出发分析了相关滤波法、目标识别法和D-S证据理论等方法在异类传感器信息融合的不同层次的使用,综合以上方法实现对雷达侦察辐射源、通信辐射源、激光辐射源和雷达航迹的信息融合,最终合成平台信息,用于完成平台识别.     

基于证据理论的多源信息融合模型

随着作战装备多元化以及信息化技术的不断发展,多源信息融合的重要性日益突出,成为提升信息化装备战斗能力的决定性因素.证据理论因其在不确定性表示、量度和组合方面的优势而得到广泛应用,是实现多源信息融合的有效途径.然而在实际作战中,对目标的融合识别是一个过程,现有的融合识别算法大多忽略了应用中的过程性.从实际应用角度出发提出一种基于时域信息积累的多源信息融合模型,理论分析和实验仿真验证了该模型的合理性、正确性和有效性.     

基于星载电子侦察与成像侦察的数据融合技术

该文在提出单星侦察体制下的电子侦察与成像侦察融合方案的基础上,研究了基于不精确图匹配方法的平台配准算法和基于模糊推理与证据理论的目标融合识别算法等数据融合技术,并构建了一个星载电子侦察与成像侦察融合仿真系统。仿真实验结果表明,融合电子侦察信息与成像侦察信息提高了目标定位精度与目标识别准确性.     

基于DS理论的混合式时空域信息融合模型

利用信息融合技术进行目标识别,已经成为模式识别领域的重要研究方向。而利用DS理论进行时空域信息融合是信息融合领域的一个研究热点。信息融合技术既包括了在空间域上对多个证据的融合,也包括了在时间域上对不同时刻的同一证据源提供的证据的融合。本文首先介绍递归集中式,递归分布无反馈式和递归分布有反馈式三种典型时空信息融合模型,通过对各模型进行的理论分析和算例仿真,得出一个与前人不同的观点;然后以空间目标融合识别为背景,提出一种有效的混合式时空信息融合模型。在保证识别率的前提下,该模型能节约系统资源,降低运算量。仿真实验验证了该模型的有效性。      

基于Dempster-Shafer证据推理的多传感器信息融合技术及应用

本文详细阐明了基于D-S证据推理的多传感器信息融合的原理及目标识别的方法.同时,介绍了其在雷达目标融合识别中的应用.     

基于神经网络与D-S证据理论的多传感器目标识别技术

为了满足目标识别的需要,多传感器的数据融合技术已经成为研究的热点。D-S证据理论是多传感器信息融合中最常用的一种处理不确定问题的方法,在基于D-S证据理论的目标识别融合中,基本概率赋值的获取是一个难点。使用神经网络中应用最广泛的BP神经网络来求基本概率赋值,再结合D-S理论进行目标识别。结果表明这种方法可以提高战场目标识别的可靠性,降低识别结果的不确定性。     

基于模糊C均值聚类和D-S证据理论的多传感器信息融合技术研究

D—S证据理论能很好地表达“不确定”和“未知”等信息融合中的重要概念,在多传感器信息融合领域得到了广泛的应用。针对传感器数量较多时,D—S方法计算量很大的问题,提出了利用模糊C均值聚类来减少证据体数目,再结合D—S证据理论进行信息融合的办法。实验数据表明,该方法大大减少了计算量,保证了目标识别的准确度。