基于多层LSTM模型的雷达目标航迹快速识别算法

雷达目标航迹的快速识别对指挥员战场决策具有重要的参考作用，传统雷达目标航迹识别算法对于目标特征分析效果差，导致航迹识别效果不理想，为此，设计了基于多层长短期记忆网络(Long Short-Term Memory, LSTM)模型的雷达目标航迹快速识别算法。对雷达目标航迹信息进行采集与去噪处理；构建多层LSTM模型，提高对时间序列数据处理的性能，将采集的数据输入多层LSTM模型中；通过多层LSTM网络自主学习获取雷达目标航迹特征，并设计融合模块对多个特征进行融合处理，得到多特征子集，改善单一特征分析的不足；基于适应性矩估计(Adaptive Moment Estimation, Adam)算法优化模型超参数，训练损失函数，通过构建多层LSTM模型分类器完成雷达目标航迹快速识别。仿真实验结果显示，该算法能够精准提取雷达目标的多特征信息，多特征融合效果良好，航迹识别结果精准，目标位置平均识别误差为0.31 m,雷达目标航迹识别时间平均值为0.56 s,说明该方法能够精准、快速完成航迹识别。     

基于3G无线网络和信息融合的火灾检测系统

采用温度传感器、烟雾传感器和CO气体传感器三种检测设备采集火灾监控场所的现场数据,并采用当前最先进的3G无线通信网络,保证信息传递突破地域限制,实现远距离传输。同时对火灾监测系统的火灾判断算法进行了设计,利用模糊神经网络算法融合多种传感器监测数据来判断火灾状态。通过仿真实验表明,该火灾检测系统能够有效提高火灾报警的准确性。     

基于数据融合的人脸识别模型研究

人脸识别在模式识别、人工智能、计算机视觉等多个领域得到了广泛应用。单一的识别算法在性能上存在局限性,文章基于数据融合的思想,提出一种融合多种识别算法的三层人脸识别模型。为充分发挥数据特点,在融合前先进行预处理,分离出有效特征值,组建特征矩阵。数据层和特征层分别选用加权平均算法和人工神经网络算法,决策级使用改进的模糊推理算法。基于MIT和ORL的仿真实验表明,本模型相比单一算法在识别率上有了明显改善,且具有一定的自适应能力。     

基于人工智能与多传感器信息融合的电缆火灾预警算法

随着智能化技术应用的普及,对电缆火灾预警的准确性和抗干扰能力提出了更高的要求.文中提出了一种基于人工智能与多传感器信息融合的电缆火灾预警算法,通过融合多传感器特征层的数据信息,基于BP神经网络的特征层融合实现电缆火灾预警.搜索最佳特征融合系数;使用多传感器分别采集电缆周围的温度、烟雾、CO的数据信息;在特征层数据融合的...     

基于混合算法的数据融合技术研究

信息融合系统可以产生比系统中任一单元更有效、更精确的身份判决结果。在归纳了国内外敌我识别的方法后,提出一种将并行的自适应神经网络-模糊推理系统（ANFIS）、模糊理论以及D-S证据理论相结合的算法,并应用于雷达与IFF的数据融合中,实现空中目标的敌我识别。同时,由于要进行的是动目标识别,提出了利用多次测量数据模拟多传感器的方法来实现多次融合,仿真结果表明,该方法提高了身份判决的置信度,融合结果更加合理。     

基于地面传感器的数据融合技术应用研究

研究了多传感器优化布设,提出了几种典型拓扑结构。比较了Bayes方法和Dempster-Shafer证据理论,采用证据理论对目标进行身份识别。研究了地面运动目标融合算法、模型,能够对各种传感器的报警数据进行处理,得到目标的属性信息和运动轨迹。进行了低空飞行目标航迹融合研究,对传感器上报的低空目标方位角数据进行综合处理,得到目标航迹信息。实际运行结果表明,这些算法是有效的。     

机载雷达和红外数据融合的智能目标识别

为了提高机载传感器目标识别系统的性能,提出了利用机载雷达和红外成像传感器数据融合的智能目标识别算法.对红外成像传感器,采用了基于小波矩特征和BP神经网络的目标识别算法,首先提取目标图像的小波矩特征并进行特征选择,然后通过BP神经网络对目标图像进行识别;对雷达传感器,提出了利用模糊推理的目标识别方法,首先选取适当的雷达特征,然后通过模糊推理进行识别:从雷达和红外传感器识别算法分别得到待识别目标所属类别的基本概率分配函数,用D-S证据组合规则将两个基本概率分配函数组合,最终实现了机载雷达和红外传感器的数据融合.仿真结果表明:融合后的识别效果优于单个雷达或红外传感器的识别效果.     

智能家居防火系统算法改进

目前智能家居防火系统大多采用烟雾、CO和温度报警,但传统的烟雾和温度报警对于正常生活产生的烟雾和温度上升等原因会产生误报并且稳定度低。针对这一局限性,利用模糊推理和神经网络推理算法,采用多源信息融合技术,根据火灾发生的特征现象选择CO、烟雾浓度和温度信号作为系统输入信号,控制器应用改进的算法处理采集的数据,输出火灾概率以预报火灾。     

基于热释电红外传感器的人体动作识别方法

针对目前人体动作识别技术中存在的隐私暴露、技术复杂度高和识别精度低等相关问题,提出了一种基于热释电红外（PIR）传感器的人体动作识别方法。首先,采用一组安置在天花板上经过视场调制的PIR传感器采集人体运动时散发的红外热辐射信号,将传感器输出的电压模拟信号进行滤波放大后通过ZigBee无线模块传送到PC端打包成原始数据集;其次,将原始数据的两路传感器输出数据进行特征融合,对融合后的数据做标准化处理封装为训练集和测试集;然后,基于数据的特征提出一种两层级联的混合深度学习网络模型作为人体动作的分类算法,第一层采用一维卷积神经网络（1DCNN）对数据进行特征提取,第二层采用门控循环单元（GRU）保存历史输入信息防止丢失有效特征;最后,利用训练集来训练该网络模型得出参数最优的分类模型,通过测试集验证模型的正确性。实验结果表明,提出的该动作识别技术模型对基本动作分类的准确率高于98%,与图像动作识别或穿戴式设备动作识别相比,实现了实时、便捷、低成本和高保密性的高精度人体动作识别。     

基于嵌入注意力机制层级LSTM的音视频情感识别

对于语音的情感识别,针对单层长短期记忆(LSTM)网络在解决复杂问题时的泛化能力不足,提出一种嵌入自注意力机制的堆叠LSTM模型,并引入惩罚项来提升网络性能。对于视频序列的情感识别,引入注意力机制,根据每个视频帧所包含情感信息的多少为其分配权重后再进行分类。最后利用加权决策融合方法融合表情和语音信号,实现最终的情感识别。实验结果表明,与单模态情感识别相比,所提方法在所选数据集上的识别准确率提升4%左右,具有较好的识别结果。     

基于3D ResNet-LSTM的多视角人体动作识别方法

在基于视频图像的动作识别中,由于固定视角相机所获取的不同动作视频存在视角差异,会造成识别准确率降低等问题。使用多视角视频图像是提高识别准确率的方法之一,提出基于三维残差网络（3D Residual Network,3D ResNet）和长短时记忆（Long Short-term Memory,LSTM）网络的多视角人体动作识别算法,通过3D ResNet学习各视角动作序列的融合时空特征,利用多层LSTM网络继续学习视频流中的长期活动序列表示并深度挖掘视频帧序列之间的时序信息。在NTU RGB+D 120数据集上的实验结果表明,该模型对多视角视频序列动作识别的准确率可达83.2%。     

采用模糊推理自适应加权融合的双色红外成像目标跟踪

针对双色红外成像制导系统中多传感器目标跟踪的实际问题,提出了一种基于模糊推理自适应加权融合的目标跟踪算法。该算法首先采用BP神经网络与模糊推理相结合的方法对各传感器的工作性能进行判决;然后根据各传感器的性能测度对多传感器测量数据进行自适应加权融合,得到目标状态的多传感器重建测量;最后采用卡尔曼滤波器对多传感器重建测量进行滤波得到目标状态的最终估计。实验结果证明了该算法的有效性和稳健性。     

基于反向传播神经网络的无线火灾预警系统

针对传统火灾预警系统中单一传感器数据检测的缺陷,提出一种基于反向传播神经网络模型的无线多传感信息融合火灾预警系统。该模型借助Matlab平台进行信息融合算法模拟,并经过试验验证,大大提高了火灾预警系统的准确率和可靠性。     

基于多传感器数据融合的煤矿采空区火灾预警系统

本文致力于构建一种综合多种传感器信息,并运用数据融合中分层融合思想的煤矿采空区火灾预警系统模型.介绍了传感器性能,设计了火灾监测系统架构,构建了多传感器分层数据融合模型,对采空区遗煤发火阶段状态进行了预测,实验得出了火灾监测系统的主要功能特点.并在火灾区已得到有效治理,实现成功灭火.使防治火灾工作更加合理化和科学化.     

基于深度学习的工业车辆驾驶行为识别

文章提出一种基于深度学习的工业车辆驾驶行为识别的方法。该方法对工业车辆在实际工厂环境中行驶的特点进行分析,将三轴加速度传感器和三轴角速度传感器采集到的数据进行预处理,根据处理结果将数据送入深度神经网络训练,完成对工业车辆驾驶行为的识别。系统先对样本数据使用数据插值、标准化处理等方法进行预处理,通过数据增强算法减少过拟合的影响,再基于长短期记忆网络(LSTM)处理时间序列数据,构建出CNN+LSTM的深度网络模型,用于驾驶行为的识别。测试结果表明,所提模型识别整体准确率可达96.51%,能够准确地识别出工业车辆行驶的状态。     

多传感器信息融合NFE模型的研究及应用

该文针对复杂环境下的多传感器信息融合问题,提出了一种将神经网络(NN)、模糊推理(FR)与专家系统(ES)有机地结合在一起的智能化的信息融合NFE模型。从工程角度出发,分析提出3维完备的智能化信息融合模型的必要,综合考虑影响传感器置信度的各种因素(传感器性能、天气状况、电子干扰、杂波强度等),并进行权重分析,设计NFE置信度估计器,对传感器的输入信息进行置信度估计。仿真结果表明,该模型在置信度偏低、传感器发生故障等环境下,能有效地实现目标识别,并且识别结果更可靠。     

数据融合技术在车牌字符识别中的应用研究

在车牌字符识别中,针对单一识别方法识别率不高的问题,提出了应用数据融合技术,将不同的识别方法有机地结合起来构成融合型识别系统,有效地、综合地提高整个系统的识别性能.数据层选择了加权平均算法,特征层选择了人工神经网络算法,决策层采用了模糊推理算法实现对车牌字符的最终识别.应用MATLAB进行了仿真,并与单独使用BP神经网络算法的识别率进行了比较,结果证明采用数据融合技术系统的识别率得到了较大提高,达到90%以上.     

无线多传感器数据融合的家庭火灾检测系统设计

针对现有火灾检测系统常出现的误报警和漏报警情况以及传统的有线火灾检测系统布线复杂、成本高、灵活性差等缺点,设计了一套基于无线多传感器数据融合的家庭火灾检测系统,检测厨房设备、电器线路或电器设备老化等造成的火灾安全隐患.详细介绍了多传感器融合算法的设计、火灾检测系统硬件框架和软件实现等.仿真结果表明,该方案具有准确度高、灵活性强的特点.     

应用于网络态势感知的安全数据聚合分析

为了处理异构网络安全设备产生的海量报警数据,提出一种基于加权DS证据理论和FCM的安全数据聚合算法.首先利用网络安全设备的权重以及对不同攻击的置信度信息,运用DS证据理论对报警数据进行初步融合,然后借助FCM的模糊推理能力对数据进行全局融合,克服了漏报率高的缺陷,曾强了系统处理复杂攻击的能力.     

基于强跟踪滤波器的多传感器非线性动态系统状态与参数联合估计

本文将强跟踪滤波理论与多传感器数据融合技术相结合,提出基于强跟踪滤波器的多传感器状态与参数联合估计新算法;对拥有相同采样率的分布式多传感器单模型非线性动态系统,应用强跟踪滤波器,得到目标状态基于全局信息融合估计结果,并利用计算机仿真结果对算法的有效性进行了验证;这些工作初步解决了Kalman滤波中由于模型的不确定性而造成估计误差值偏大情况下的状态融合估计问题,从而丰富和发展了多源信息融合理论.