基于DSmT的序列图像智能融合目标识别方法

提出了一种基于BP神经网络和DSmT推理的序列图像目标识别算法。以修正的Hu不变矩为图像特征,利用数据融合的思想对来自目标的序列图像进行时间域融合处理。由BP神经网络对目标的初步识别结果构造基本置信指派函数,用DSmT组合规则进行决策级数据融合,完成了三维飞机图像目标的识别仿真。仿真结果表明,融合方法提高了三维飞机目标识别的准确性。     

基于神经网络和证据理论的图像目标识别研究

提出了一种基于BP神经网络和D-S证据推理的多传感器数据融合图像目标识别算法,利用数据融合的思想对来自目标的多幅图像进行空间域融合处理.首先提取图像的Hu不变矩作为待识别目标图像的特征,尔后针对DS证据理论基本概率指派函数构造困难的问题,用BP神经网络对目标的初步识别结果构造基本概率指派函数,最后用Dempster组合规则对BP网络的初步识别结果进行决策级数据融合,完成了三维飞机图像目标的识别仿真.仿真结果表明了融合识别方法的有效性和鲁棒性,识别率达到100%.     

一种基于DSmT和HMM的序列飞机目标识别算法

针对姿态多变化的飞机自动目标识别中的低识别率问题, 提出了一种基于DSmT (Dezert-Smarandache theory)与隐马尔可夫模型(Hidden Markov model, HMM)的飞机多特征序列信息融合识别算法(Multiple features and sequential information fusion, MFSIF). 其创新性在于将单幅图像的多特征信息融合识别和序列图像信息融合识别进行有机结合.首先, 对图像进行二值化预处理, 并提取目标的Hu矩和轮廓局部奇异值特征; 然后, 利用概率神经网络(Probabilistic neural networks, PNN)构造基本信度赋值(Basic belief assignment, BBA); 接着, 利用DSmT对该图像的不同特征进行融合,从而获得HMM的观察值序列;再接着, 利用隐马尔可夫模型对飞机序列信息融合, 计算观察值序列与各隐马尔可夫模型之间的相似度, 从而实现姿态多变化的飞机目标自动识别;最后, 通过仿真实验, 验证了该算法在飞机姿态发生较大变化时, 依然可以获得较高的正确识别率,同时在实时性方面也可以满足飞机目标识别的要求. 另外, 在飞机序列发生连续遮挡帧数τ ≤ 6的情况下, 也具有较高的飞机目标正确识别率.     

基于不变矩与证据理论的飞机序列图像识别

D—S证据理论是一种决策级信息融合方法,能够综合各信息源。为了提高对飞机序列图像进行识别的能力,增加信息可信度,提高系统容错能力,提出一种不变矩与D—S证据理论相结合的方法,对飞机序列图像进行了识别。通过构造飞机图像的模板库,对于待识别的图像提取不变矩特征,提出了两种通过不变矩特征构造基本置信函数,然后运用D—S证据理论进行融合,得到图像的识别结果。通过实验,比较了两种不变矩特征和三种构造函数对识别结果的影响,并将其结果与支持向量机、神经网络的仿真结果相比较。实验结果表明方法是有效且可行的,识别概率优于其它的方法。     

三维飞机目标识别的一种新方法

提出了将小波不变矩用于三维飞机目标的识别中.先采用CCD成像传感器拍摄小角度变化的不同姿态的二维飞机图像,建立完整的飞机图像模型库,然后对这些图像进行归一化处理,提取这些二维图像的小波不变矩,针对小波不变矩维数较高的特点,采用离散度和顺序前进法相结合的原则来对其进行特征优化选择,选择一组较优的特征组,最后用改进的BP神经网络为分类器进行三维飞机图像的识别.仿真结果表明,同Hu矩相比,小波矩不变量有比较好的识别效果.     

改进D-S证据理论在电动汽车锂电池故障诊断中的应用

针对电动汽车电池系统的故障采用基于神经网络的改进D-S证据理论组合规则完成诊断过程。为了避免单一途径的诊断可能造成故障漏检误检的状况,决策层采用D-S证据理论组合规则来确定基于BP网络和RBF网络两种故障诊断算法结果。然而为了克服D-S证据理论处理高度冲突证据的缺陷,本文提出了一种基于神经网络改进的D-S证据理论组合规则。首先,采用神经网络对电池故障进行初步诊断,结合网络诊断准确率来分配不确定信息并构造证据体,又引入了证据间的支持矩阵来确定新的加权证据体。然后,把各个焦元的信任度融入D-S证据理论组合规则,从而融合神经网络证据体及新加权证据体。最后,依据决策准则确定锂电池系统的故障状态。通过仿真实验验证了本文提出的改进D-S证据理论融合诊断方法在电动汽车锂电池故障诊断中的有效性。     

一种飞机图像目标多特征信息融合识别方法

提出了一种基于概率神经网络(Probabilistic neural networks, PNN)和DSmT推理 (Dezert-Smarandache theory)的飞机图像目标多特征融合识别算法. 针对提取的多个图像特征量,利用数据融合的思想对来自图像目标各个特征量提供的信息进行融合处理.首先,对图像进行二值化预处理,并提取Hu矩、归一化转动惯量、 仿射不变矩、轮廓离散化参数和奇异值特征5个特征量;其次, 针对DSmT理论中信度赋值构造困难的问题,利用PNN网络,构造目标识别率矩阵,通过目标识别率矩阵对证据源进行信度赋值;然后,用DSmT组合规则在决策级层进行融合,从而完成对飞机目标的识别;最后,在目标图像小畸变情形下, 将本文提出的图像多特征信息融合方法和单一特征方法进行了对比测试实验,结果表明本文方法在同等条件下正确识别率得到了很大提高,同时达到实时性要求,而且具有有效拒判能力和目标图像尺寸不敏感性. 即使在大畸变情况下,识别率也能达到89.3%.     

机载光电传感器图像融合识别的D-S证据理论方法

针对机载光电传感器获得的图像信息的不确定性与模糊性,提出利用D-S证据理论对多图像传感器信息进行融合处理的方法.首先对各图像传感器获得的同一场景图像分别进行预处理,然后对预处理后的图像提取其矩特征,通过与目标图像数据库中图像特征的对比分析,利用灰色系统理论方法获取各传感器的基本概率赋值,最后根据D-S证据理论的组合规则与决策规则获得多图像传感器的融合识别结果.仿真结果表明该方法能提高目标识别的准确度,降低传感器获取的信息的不确定性.     

基于DS算法的雷达目标识别方法研究

主要目的是为解决干扰存在下不同类型传感器、不同格式信息之间的融合问题,设计了一种较为有效的融合算法,来对敌方的危险目标进行识别;主要方法是把神经网络改进的BP算法与Dempster-Shafer(D-S)证据理论相结合,将来自于各种传感器探测设备多次观察所得到的数据,经过神经网络后,得到基本概率附值,然后利用DS证据理论进行实时的时域和空域融合,从而达到准确的目标识别;仿真结果表明该算法在有效提高识别概率的基础上,大大提高学习速度,结果可行.     

一种基于优化权重证据组合的目标综合识别方法

针对高度冲突识别信息 Dempster 规则融合失效问题,分析了有关改进方法及其存在的不足,提出了一种新的证据组合方法。新方法首先根据证据之间 pignistic 概率距离和基于信息熵的证据清晰度综合确定各证据权重系数,然后使用该权重系数对证据源进行修正,最后将修正后的加权平均证据进行 Dempster 规则组合。仿真实验结果表明新方法在目标综合识别中合成结果更好,收敛速度更快。     

计算机智能图像识别算法研究

复杂环境下，要做到对物体进行准确识别，要求计算机视觉系统具有智能化。文中将D-S证据推理与不变矩理论相结合，提出了智能图像识别算法，并应用于飞机图像的识别。首先构造了基本置信指派函数，建立了分类规则，然后针对Dempster组合规则只适用于高置信度、低冲突性的情况，应用可解决证据冲突的加权分配冲突法及吸收法，完成了计算机飞机图像识别的仿真，比较了三种组合规则的识别效果，结果表明吸收法识别率最高。     

A new DSmT combination rule in open frame of discernment and its application

A new combination rule based on Dezert-Smarandache theory (DSmT) is proposed to deal with the conflict evidence resulting from the non-exhaustivity of the discernment frame. A two-dimensional measure factor in Dempster-Shafer theory (DST) is extended to DSmT to judge the conflict degree between evidence. The original DSmT combination rule or new DSmT combination rule can be selected for fusion according to this degree. Finally, some examples in simultaneous fault diagnosis of motor rotor are given to illustrate the effectiveness of the proposed combination rule.     

Relaxation optimizing operations in extended probabilistic space

The classical probabilistic relaxation method has been widely used to solve optimization problems in various fields, including image processing and pattern recognition. The authors have also been developing handwritten character recognition system using the probabilistic relaxation method. However, we realize that there exist cases in which a probability theoretic model is inadequate, especially where there exists incompleteness in available information by noise such as patchy segments and ink spots. In that case, we must introduce ad hoc rules for one-to-two correspondence and no correspondence in the probabilistic algorithm. As the Dempster-Shafer (DS) theory is a kind of natural extension of the probabilistic theory by reducing additivity on probability measure and it can cope with incomplete data. This paper proposes a relaxation matching method based on the Dempster-Shafer theory. Then the update process in probabilistic relaxation method is derived as a special case of Dempster's combination rule in DS theory.     

A comprehensive comparison between generalized incidence calculus and the Dempster-Shafer theory of evidence

Dealing with uncertainty problems in intelligent systems has attracted a lot of attention in the AI community. Quite a few techniques have been proposed. Among them, the Dempster-Shafer theory of evidence (DS theory) has been widely appreciated. In DS theory, Dempster's combination rule plays a major role. However, it has been pointed out that the application domains of the rule are rather limited and the application of the theory sometimes gives unexpected results. We have previously explored the problem with Dempster's combination rule and proposed an alternative combination mechanism in generalized incidence calculus. In this paper we give a comprehensive comparison between generalized incidence calculus and the Dempster-Shafer theory of evidence. We first prove that these two theories have the same ability in representing evidence and combining DS-independent evidence. We then show that the new approach can deal with some dependent situations while Dempster's combination rule cannot. Various examples in the paper show the ways of using generalized incidence calculus in expert systems.     

基于焦元支持度的合成规则

为了有效地融合高度冲突的证据,本文在焦元相似度和矛盾焦元的基础上提出了一种新的证据组合规则.该规则综合了Dempster-Shafer证据理论及加性融合两者的优点,首先从焦元冲突程度的角度对证据进行冲突检验,然后对冲突证据进行加性合成,从而消除证据之间的冲突.为了避免计算量过大的现象将焦元分为矛盾焦元和正常焦元两部分....     

A NOTE ON UNCERTAINTY,DEMPSTER RULE OF COMBINATION,AND CONFLICT

Abstract

The relationship between uncertainty and the Dempster rule of combination in Dempster-Shafer theory is discussed. In particular, a condition is presented that is sufficient to guarantee that uncertainty does not increase by using the rule. A new definition of conflict of pieces of evidence is proposed and discussed.     

解决冲突证据的两级组合方法

针对DS理论(DST)中Dempster组合规则在处理高冲突证据时的不足,提出一种解决冲突证据的两级组合方法。该方法将高冲突和低冲突区别对待,在第一级组合中采用基于DSm理论(DSmT)的PCR6规则,化解可能的高冲突证据;在第二级组合中采用Dempster规则,保证良好的收敛速度和计算性能,从而合理、有效地处理各种程度的冲突证据。通过算例分析验证了该方法的有效性。     

利用Dempster—Shafer信息融合进行自动目标识别

本文主要对红外图像中铁路的特点,将图像处理技术与人工智能相接合,提出一种基于知识的智能识别方法。采用先建立完善的知识特征集,再以知识特征集为基础,采用Dempster-Sgafer来对特征集进行融合来识别铁路枢纽。其基本思路可用作一般目标识别。