粗糙集和神经网络在数据融合中的应用研究

传感器聚类状态的切换是多传感器数据融合的难点之一,也就是某个传感器在某一时刻应该向哪个方向融合数据的问题。文中采用粗糙集进行知识的获取,把1天内的54个传感器的可融合典型聚类分布作为数据样本空间形成决策表———"数据-融合分布"决策表;然后对一个月内的数据运用粗糙集的知识约简算法,去除冗余的属性和样本;根据神经网络聚类分析方法,形成多传感器数据的融合分布规则。仿真结果表明该模型的分类效率较好、实现传感器聚类分布的判断较快速。     

基于多传感器不完全量测下的机动目标跟踪算法

针对传感器探测概率小于1的不完全量测情况下的非机动目标跟踪问题,提出一种基于多传感器不完全量测下的扩展Kalman滤波算法。首先,利用残差检测的野值剔除方法,确定目标状态估计过程中传感器是否接收到正确的量测数据;其次,基于每个传感器的量测数据,在不完全量测下采用改进的扩展卡尔曼滤波算法分别对目标运动状态进行估计;进而结合多传感器最优加权融合方法求解基于多传感器观测数据的状态估计;最后,将算法应用到光电跟踪系统中。仿真实验得到不完全量测下传感器探测概率对滤波效果的影响,验证了算法的有效性,其跟踪精度接近完全量测下的状态估计精度。     

最大生存周期的无线传感器网络数据融合算法

针对无线传感器网络的节点能量有限,且在进行信息传输时存在数据冲突、传输延时等问题,提出基于最大生存周期的无线传感器网络数据融合算法。该算法将整个网络中的节点分成多个簇,并根据节点的传输范围,将每个簇中的节点均匀分布,每个节点根据自己的本地信息和剩余能量选择通信方式向簇头节点传输数据,从而形成传输数据的最短路径;并根据集中式TDMA调度模型,运用基于微粒群的Pareto优化方法,使得网络在完成规定的信息传输时每个节点耗费的平均时隙和平均能耗最低。仿真结果表明,上述算法不但可以最大化网络的生存周期,还可以有效地降低数据融合时间,减少网络延时。     

智能家居的“春天”来了

论述了智能家居的概念,着重阐述了智能家居及其核心技术的国内外发展历程,理清了智能家居的发展脉络。随后从技术、生产厂家、市场规模、消费者意识等方面论证了智能家居的“春天”已经来临。最后,对智能家居的未来发展进行了展望。     

低层特征融合的图像检索算法设计

现阶段基于单一的特征提取算法已不能满足人们对图像查准率、查全率的要求。有效地整合图像的颜色、纹理、形状等特征,使得各特征优势互补,进而提高系统检索效率现已成为一个值得研究并深入的课题[1]。从颜色、纹理两方面的特征出发,研究并设计了一整套的方案,很好的解决了查准率、查全率等问题。     

面向RFID的框架化数据融合中间件研究与设计

介绍了基于数据融合的结构可扩展软件开发框架（xDFF）及其规范体系,在此框架下,主要研究并设计了包括RFID数据资源集成与融合应用平台的建模方法、工具及实现方法,旨在设计一种高效且可扩展的,支持海量RFID数据采集、过滤、聚合、事件管理以及存储、维护、查询和安全管理等功能的环境与工具,实现普遍适配,提供二次开发接口,与企业数据集成并进行统一管理的模块化框架化RFID数据融合中间件产品.     

意法半导体借三网融合强化数字娱乐体验

<正>3月22日,乘着中国国际广播电视信息网络展览会(CCBN)的契机,意法半导体(ST)执行副总裁,大中华与南亚区总裁Francois Guibert,ST高级执行副总裁,全球战略执行官,家庭娱乐及显示器部门总经理Philippe Lambinet,ST大中华与南亚     

被动多传感器自适应曲线模型跟踪新算法

针对被动多传感器机动目标跟踪系统中,由于目标机动性能的不确定以及存在的非线性而导致系统模型与目标实际运动模式难以匹配的问题,提出一种新的自适应曲线模型跟踪算法．该算法通过建立新的方向角模型,设计一种自适应的转弯角速度估计方法,实时计算每个采样时刻目标的切向加速度,以获得与目标实际运动模式相匹配的运动模型,并与扩展卡尔曼滤波相结合,有效提高了被动多传感器下机动目标的跟踪精度．     

融合遗传算法和蚁群算法动态网格任务调度算法研究

网格计算是当今计算机科学领域最新兴起的一项有很高学术价值和应用价值的研究课题。未来互联网的发展方向是将网络中众多闲置的计算资源、存储资源以及科学仪器等可用资源充分合理的加以利用。如何高效地使用网格资源,即网格调度问题也随之成为研究的重点,虽然在传统的分布式并行计算中有很多成熟的任务调度算法,但由于网格的新特性,使得必须研究新的算法来解决一些新出现的问题,如调度问题的NP安全性,调度算法的高效性,资源的异构性以及资源分配决策的并行性和分布性等。     

数据融合技术在智能交通系统中的应用

为了更加准确地监测动态变化的交通信息,通过分析城市道路交通流量变化的特点,提出一种基于数据融合的监测方法。根据数据属性的特点,将数据构造为多个相关的时间序列,在此基础上进行数据融合,以最终的结果对交通信号灯进行实时控制,保证道路通畅。仿真实验结果证明,该方法具有较高的判断准确率和良好的识别性能。