雷达网目标识别的证据理论融合方法

将证据理论用于雷达网目标识别中信息的融合，以四种特殊体制雷达组成的雷达网在强干扰条件下对四类目标的识别为例，介绍信息融合的实现过程。结果表明，融合后识别效果得到很大改善，抗干扰能力大大增强。     

基于改进D-S证据理论的数据融合目标分类

首先采用分类算法对MSTAR数据集进行十类目标分类识别、三类目标的变体分类识别,然后根据分类调参过程中的先验知识修正证据即分类器输出,构造基本置信函数,并采用改进的合成规则即基于冲突系数K和Pignistic概率距离相结合的冲突度量方法,对冲突证据采用按比例分配冲突度的合成规则进行合成。未融合时,三类目标的变体分类准确率最高为93.553%,融合后三类目标变体分类识别率为95.092%,提升幅度约是理想状态的37%。     

基于DS证据理论的水下目标识别融合推理方法研究

水下多途、时变的复杂环境给水下目标的识别精度带来了很大影响,单传感器获得的目标信息已不能支持水下目标识别要求,需要通过分析不同传感器源获得的水下目标特征信息间的关联关系,构建水下目标多特征信息不确定性融合推理识别模型和准则,给出水下目标识别的具体判断逻辑流程,建立目标属性识别框架,确定不同传感器源获得的水下目标特征信息证据对水下目标属性可信度分配函数,通过 DS(Dempster-Shafer)证据理论实现水下目标的综合推理识别,为提升水下多平台协同作战能力提供重要基础。     

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.     

基于证据理论的跟踪辅助目标识别

为提高目标属性识别精度,本文以证据理论为基础,提出一种跟踪辅助目标识别方法。通过在属性融合中引入目标的跟踪信息,增加了属性融合空间的维数,改进了目标的识别性能,提高了目标的识别正确度。实验结果证明了这一方法的有效性,特别是在属性测量传感器较少的情况下,这一方法更有其实际意义。     

基于D-S证据理论的空中目标识别

提出了一种基于D-S证据理论的空中目标识别方法.该方法首先对目标特征进行提取,然后根据提取的特征利用模糊C均值聚类的方法进行基本概率分配,最后利用D-S组合公式进行融合识别.实例验证了算法的有效性.     

基于D-S证据理论的近岸舰船目标识别

在深入分析和提取近岸舰船目标红外特性和微波特性的基础之上,提出一种基于D-S证据理论的红外图像和微波特性融合方法来实现近岸舰船目标的识别.一方面,对红外图像进行小波去噪、边缘提取、海天线识别与对消等红外预处理和特征提取后,可以得到若干个待选目标;另一方面,对目标回波进行衰减、低噪声放大、滤波和线性放大等处理后,可以得到信号幅度大于一定阈值若干个待选目标.最后,通过对红外和微波得到的待选目标运用D-s证据理论的融合规则进行数据融合,得到最终识别结果.算法易于硬件实现.实验表明,该方法能达到较好的识别效果.     

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.     

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ROI和证据理论的目标融合检测算法

考虑合成孔径雷达图像(SAR)和光学图像的互补特性,提出了一种基于感兴趣目标区域(regions of interest, ROI)决策层融合的军事目标检测方法:分别在SAR图像和光学图像中提取出ROI,再利用各自的统计特征和几何特征给提取出的ROI分配置信度,以表示正确鉴别ROI的概率。最后在决策层上运用D-S证据理论融合两个源中同一ROI的置信度,获得更可靠的融合检测结果。该方法很好的实现了SAR和光学图像的优势互补,并在对遥感图像测试集的试验中得到了验证。      

基于D-S证据理论的网络表示融合方法

随着网络表示学习技术的发展,在网络结构信息的基础上,越来越多的研究者考虑融入额外辅助信息来提升网络表示效果.针对现有网络表示学习方法中对于多属性特征融合缺乏冲突判别与评价指标的问题,本文在已有研究基础上,提出一种基于D-S证据理论的网络表示融合方法.本方法首先通过SVM算法给出不同属性信息对融合表示结果的支持度,然后利用证据组合规则计算网络表示学习中的融合评价指标,并依据混淆矩阵考虑各类别在节点分类中的局部可信度.在3类数据集上的仿真实验表明：本方法对于检测网络表示融合中的冲突,提高表示融合效果具有一定的指导意义.     

用证据理论方法进行多波段数据融合的目标分类

为实现空间目标分类，可以采用D－S证据理论方法将多通道图像数据有效融合，得出正确的分类结果。本文描述了D－S证据理论方法及其在目标分类中的应用，并采用来自三通道的图像数据具体实施这项技术。     

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。     

基于改进证据理论的建筑环境CPS决策级融合

针对传统D_S证据理论存在高冲突证据时,而引起＂悖论＂将导致建筑环境CPS决策不准确的问题,采用计算证据间的博彩许诺距离方法,结合传统冲突因子,对D_S证据理论数据源的处理方法进行调整。该方法由证据间的博彩许诺距离得到证据冲突程度,再按＂互补＂原理转化为相互支持度,从而确定证据的权重系数,使D_S证据理论的决策更加精确。数据分析和仿真表明,改进后的D_S证据理论方法可以有效地处理证据冲突,并使得决策结果更加合理。     

基于改进D-S 证据理论的多雷达自适应数据融合

针对多雷达数据融合时融合结果精度较低问题,提出一种基于改进D-S 证据理论的自适应融合算法。该算法将单传感器多时刻时域融合和多传感器空域融合相结合。首先,利用盒状图对单传感器测量值分类优化,进行单传感器时域融合;再根据文中提出的改进证据冲突程度判据,对高冲突的局部证据进行修正,并选择相应的多传感器空域数据融合算法。仿真分析表明,文中算法具有较好的可行性与有效性,同现有的多雷达数据融合算法相比,文中算法能够有效降低融合过程中产生的系统误差,且融合结果更加可靠、精确。     

利用证据理论的图像融合方法

在图像处理中,经常会碰到滤波器尺寸选择的问题,针对不同尺寸的目标需要选择与之对应尺寸的滤波器。在一幅图像中,可能存在多个不同尺寸的目标,或者在计算机自动目标检测系统中,不能确定目标的尺寸,这样就需要使用多种尺寸的滤波器进行滤波。如何将每种尺寸滤波器滤波后得到的最好结果融合到一起,是图像处理中的一种十分重要的关键技术。提出了一种基于改进的DS证据理论的融合方法,将多个不同尺寸的滤波结果进行融合。试验结果表明,该方法能够将图像中不同尺寸的目标很好的提取出来。     

一种基于证据理论的可靠性信息融合方法

针对产品同一状态信息的融合问题,提出了基于证据理论的多个验后信息加权融合法。该方法在充分考虑多个验后分布一致度的基础上,结合D-S证据理论计算权重因子,再通过加权融合法的一般思路得到一个综合的验后分布形式,进一步提高了统计推断的精度和置信度,最后以实例计算验证了方法的有效性和可行性。     

基于D-S证据理论的多模态医学影像融合方法

针对多模态医学影像融合后存在边缘模糊、纹理不清晰的问题,提出了一种基于D-S证据理论的影像融合方法。首先对待融合的医学影像进行小波分解,在高频域,取纹理属性和边缘属性作为证据,根据Dempster证据合成和判决规则,得到高频域各点属性,从而确定融合规则;在小波分解的低频域,采用基于区域梯度的融合规则。实验结果表明,融合后医学影像较为完整地保留了源医学影像的边缘和纹理细节信息,有效提高了融合性能,优于同类方法。