采用Bayes多传感器数据融合方法进行目标识别

详细叙述了采用基于Bayes数据融合方法的基本原理、融合模型。利用Bayes多传感器数据融合方法,对一个目标类型和属性融合的应用实例进行计算。分别用Bayes公式计算出两次融合的概率值。从计算结果可以看出:提高了目标识别的概率,降低了不确定的概率,说明这种方法可以达到较高的识别率,是目标类型和属性识别的有效方法。     

基于水下探测器信息融合的目标识别

在证据理论基本概念的基础上,引入证据权的概念,依据证据权的不同对各条证据进行转化,解决多传感器信息融合中不同等重要信息源的数据融合问题.应用文中的加权证据组合推理模型进行水面舰船识别的仿真,仿真结果表明提高了水下探测器目标识别的准确性和有效性.     

数据融合系统中并行目标识别的研究与实现

分析了将情报侦察数据融合系统中目标识别中心并行化的可行性,提出了基于航迹的任务划分策略,采取集中式动态负载平衡技术设计并实现了基于消息传递接口（MPI）的并行目标识别中心。同时给出了Dempster-Shafer证据理论在适当条件下的一种简化形式及其在并行环境下的应用方法。最后给出融合系统并行目标识别中心的性能测试结果,在保证识别可信度的基础上大大提高了处理速度,解决了融合系统的性能瓶颈问题。     

基于D-S证据理论的振动目标识别研究

提出了一种基于D-S证据理论对数据进行融合处理的方法.通过采用多个地振动传感器对人、车辆等目标发出的振动信号进行采集,然后对传感嚣采集到的地振动信号进行处理,解决目标识别问题并提高目标的识别率,实验结果表明文中提出的方法是有效的.     

一种采用多传感器数据融合的目标识别框架

利用Demtpster-Shafer理论进行目标识别并提出了一种战场平台识别的框架。该框架采用模糊方法来解决基本概率分布问题，并利用递推集中化结构来进行时空信息融合。为增加推理过程的鲁棒性和效率，提出了一种解决矛盾的新策略。初步实验表明该框架是有效的，并值得进一步探讨。     

一种多传感器数据融合目标识别新方法

在多传感器目标识别中，传统方法是直接将多元的局部决策送入融合中心，进行最后的整体决策。该方法是化多元检测为多个二元检测，使送入融合中心的局部决策是二元的，从而可利用现有成熟的二元检测技术进行基于置信度的整体决策，使识别问题得到简化。     

基于D-S证据理论的目标识别融合应用

基于D-S证据理论的目标识别融合系统,可以充分发挥多传感器信息的优势,提高目标识别结果的准确性.本文结合工程实践,分析地面目标融合识别过程中经典D-S证据理论方法处理数据出现的问题,发现使用D-S证据理论对于高冲突证据融合结果准确性较低.因此提出一种基于D-S证据理论的改进数据融合方法,将冲突因子与支持度标准偏差的相反数相乘,再与所有证据和乘积的正交相加,然后减去证据的基本概率的最大差.如果证据的冲突越大,这种方法的优势就越明显.如果证据中不存在冲突,则融合结果与原始D-S证据理论的项目一致.实验的比较数据表明,改进的信息融合方法对于改进解决冲突问题必不可少,并且是有效的.     

基于Dezert-Smarandache理论的递归目标识别融合方法

多源信息融合的一个主要应用方向是目标识别, Dezert-Smarandache理论(DSmT)是一种有用的不确定推理方法, 能较好地解决强冲突情况下的信息融合问题. 在经典DSmT的融合过程基础上提出3种递归时空信息融合的方法: 集中式、分布式无反馈和分布式有反馈的融合方法. 当系统引入完整性约束条件时, 需要采用证据的冲突系数来确定组合顺序, 这在一定程度上克服了混合DSm组合规则不满足结合律的缺陷. 最后用数值算例说明了本文所提出方法的有效性.     

免疫算法和数据融合在结构损伤识别中的应用

大型结构由于传感器数量庞大、种类众多,使得对结构进行损伤识别时的速度和准确性不高。针对该问题,设计一种改进型免疫算法。将算法的抗体种群划分为多个子种群并行搜索,减小种群的搜索空间;采用阶段式阈值方式选取算法中的记忆库抗体,使得记忆库随着抗体性能不断调整;利用改进后的算法对各类传感器数据分别进行损伤识别;采用D-S证据理论将位移、应力、加速度多类传感器的识别结果进行数据融合,消除多传感器数据间的不确定因素。实验结果表明,改进型免疫算法能够以较少的迭代次数寻找到最优解,从而提高识别速度,D-S证据融合多类传感器的识别结果后准确度更高。     

D-S改进算法在数据融合中的应用

作为一种重要的处理不确定性问题的方法,D-S证据推理理论目前已经广泛应用于各种数据融合系统中。详细阐述了D-S证据理论的相关理论和证据组合原理;针对D-S证据理论存在的缺陷和不足,介绍了一种改进的证据组合方法;通过实例证明,该改进方法能够用于组合冲突比较大的多个证据,并提高融合的性能和可靠性。     

基于灰度关联的多传感器融合目标识别方法

为实现对多传感器目标识别系统中目标的正确分类,提出了基于灰技术理论的多传感器融合的目标识别方法。其中,单传感器识别采用计算待识别目标的灰关联系数和灰关联度,利用灰关联度的排序得到目标在时域上的识别,最后,利用各传感器灰关联度矩阵的范数得到多传感器信息融合的识别结果。计算实例验证了该方法的有效性。     

数据融合方法在火灾监测系统中的应用

设计了基于1-WIRE总线的火灾监测系统,采用温度、烟雾、红外传感器进行火灾检测。在数据处理方法上,首先应用模糊数学中隶属函数的概念产生各个传感器的信度函数分配,再利用D S证据理论方法对多个传感器进行数据融合,利用目标模式的判定规则对火灾的有无进行判断,较单个传感器相比,多传感器数据融合的结果具有较高的准确度和可信度。     

基于加权D-S证据理论的分布式多传感器目标识别

针对分布式多传感器环境下的目标识别问题,提出了一种基于加权D-S证据理论组合规则的决策融合方法。分析了多传感器目标识别系统的信息模型,指出传感器的决策可信度由其被支持度及与目标间的距离确定。将该可信度体现为加权D-S证据理论组合规则中的证据权值,综合考虑传感器支持度及其与目标距离,给出了权值确定方法。仿真实验证明方法提高了融合效率,可较快完成识别任务。     

多传感器多级数据融合的敌我识别估计

介绍了指挥、控制、通信和情报(C3I)系统多传感器数据融合的特点和一种空战融合模式,结合实例说明了多传感器各自对目标信息的测量结果进行融合处理,以期得到对目标属性的准确估计。     

压力传感器检测系统的研制

在 - 6 0～ 85℃的温度范围内 ,压力传感器检测系统可以满足压力传感器静态特性参数的检测 ,它采用了液体传压原理、温度控制技术和计算机应用技术。解决了压力传感器的热零点漂移、热灵敏度漂移、非线性、迟滞和重复性在不同温度环境条件下难以精确检测的问题 ,为压力传感器的研究和使用提供依据 ,在压力传感器研制和生产中有着重要的应用价值。     

微生物传感器

简要介绍了微生物传感器的特点、组成、工作原理及分类 ,总结了该传感器在几大应用领域的应用概况。探讨了该传感器的发展前景 ,并对一些新型的微生物传感器作了扼要介绍。     

数据融合在车牌字符识别中的应用

将D-S证据理论引入车牌字符识别,结合神经网络容错能力强、能够自适应学习等优点,对待识别字符进行统计和结构等多方面的特征提取后,分别经过神经网络分类器得到相应的结果,并应用D-S证据理论对各种结果进行数据融合,从而实现了字符各方面特征的优势互补,进一步提高了字符识别的成功率。     

荧光光纤传感器的表面非接触测温

强度调制型荧光光纤温度传感器具有其它光纤温度传感器所不具有的优点。对原有的传感器的传感部分作了改进 ,使之能用于对运动物体小面积的非接触性温度的测量。     

新型商用化磁阻式传感器

磁电子学 (或自旋电子学 )是把物理学和电子学结合起来的新兴学科 ,已成为当今的热点研究领域之一。利用磁电子学中的巨磁电阻 (GMR)效应 ,可制得新一类磁阻式传感器 -GMR传感器。与传统的磁阻式传感器相比 ,GMR传感器具有灵敏度高、可靠性好、测量范围宽、抗恶劣环境、体积小等优点 ,具有广泛的应用前景。就目前已商业化的几种GMR传感器的工作原理作一评述。