基于联合概率数据融合的多目标车辆安全跟随

为了实现密集杂波环境下多目标车辆安全跟随，提出多源传感器数据融合的多目标车辆跟踪算法与纵向避撞预警策略.针对多源传感器观测序列因采样周期、采样起始时刻、通信时延差异等引起的时间异步，以及空间上存在不同维度、不同坐标系的问题，给出时间配准与空间融合的软同步方法.采用基于改进的联合概率数据关联(JPDA)的单一传感器多目标状态估计算法对目标轨迹进行滤波估计，能够在保证有效关联的同时，在一定程度上降低计算复杂度.基于多源传感器联合概率数据融合(MSJPDA)序贯滤波算法对目标的运动状态进行序贯更新，将最后一级的输出作为融合中心的最终状态估计，再根据威胁估计模型对追尾危险的发展态势进行评估与分级.实车试验与仿真结果验证了该算法的可行性与有效性.     

多尺度数据融合算法及其应用

ＢａｓｅｖｉｌｌｅＭ及ＣｈｏｕＫ Ｃ等基于二叉树多尺度随机过程提出了一种多尺度数据融合算法。该算法实现简单,速度快、易于并行化。本对此算法做了进一步的研究,提出了一种新的多尺度模型构造方法,该方法简单,便于实现。仿真计算表明,采用此方法构造的多尺度状态空间模型对信号有较好的近似,完全可以应用ＣｈｏｕＫＣ等提出的多尺度融合算法,滤滤效果明显,可用于多尺度数据融合。     

多阶段特征重分布算法的小样本目标检测

深度神经网络在目标检测任务上需要训练大量的标签数据,然而在许多实际应用场景中标签数据难以获取。针对这一问题,提出了一种面向小样本目标检测的多阶段特征重分布算法(MSFR)。该算法通过对特征向量进行重分布变换,解决了小样本任务下源域数据和目标域数据分布不一致的问题;通过多阶段学习策略将源域知识逐步迁移到小样本目标任务中,进一步提高知识迁移效率。在VOC数据集上的大量实验表明,与现有小样本目标检测算法相比,该算法在不同任务上的精度最高提升了9.06%。该算法在大幅提高小样本目标域类别检测性能的同时,较大限度地保持了对源域类别的检测精度,具有较大的实用价值。     

基于多源数据融合的统计数据空间网格化模型研究

统计数据调查多以行政单元为空间范围,为解决其在多源数据综合应用分析等方面的空间范围局限性,需对其进行网格化转换.提出一种基于多源数据融合的通用模型,先确定影响统计指标分布的因子,然后对单元格进行各因子的影响权重计算,将各因子的权重值叠加,最后通过单元格上的权重值和去调整统计指标值的分布.实验表明,该模型在基于遥感、地形、生态等数据融合基础上,能使网格结果在空间分配上更科学化.     

基于数据融合的辐射源目标定位EM算法研究

对于辐射源目标无源定位,充分利用冗余数据,降低系统误差,提高定位精度和算法普适性在现实工程应用中有着十分重要意义。提出了一种基于数据融合的期望最大化(EM)定位算法,通过对采样数据进行集中融合处理后极大化更新参数集,然后再迭代计算,直到达到阈值设定,最终确定目标估计位置。仿真结果表明,采用EM算法,可以有效利用多种定位方法的冗余采样数据,在强噪声环境下,可以快速有效地提高系统的定位精度,并对多个密集目标实现区分。     

改进的多传感器多目标量测数据关联算法

提出融合多传感器测量对目标位置进行估计的广义概率数据关联(MSPE-GPDA)算法. 首先对所有可能的多元量测组合进行预关联检验,通过检验的有效多元量测组合所对应的目标位置进行最优估计;根据广义概率数据关联算法计算通过预关联检验的各有效量测组合与目标航迹间的关联概率,并用来计算目标的更新状态. 与顺序处理的多传感器广义概率数据关联算法和利用多传感器量测进行目标位置估计的联合概率数据关联算法相比,MSPE-GPDA算法集中了最优估计和有效信息复用两方面的优点. 理论分析与仿真实验结果均验证了所提算法的有效性.     

基于多源大数据的岭南地区老旧小区 空间形态量化研究

针对近年推进改造工作的城市老旧小区展开研究,从物质空间形态角度出发,结合多源大数据采集75个岭南地区老旧小区样本数据,以定量研究为依托,从城市中微观空间层面建筑和道路的相关量化指标进行统计,并对量化指标进行相关性分析,从建筑量度、道路量度、建筑尺度三组变量剖析影响空间形态的各要素的相互关系.     

监控系统中的多摄像头协同算法

提出了一种监控系统中的多摄像头协同算法(PDA).该算法引入了依赖目标可见性的权函数、任务优先级、目标与摄像头之间的距离,根据这些参数来选择最合适的摄像头,将其分配给距离摄像头最近、且有最高优先级的目标.为了可靠地跟踪目标,使用了多摄像头协同系统中的数据融合方法.在分布式监控系统中验证了PDA和数据融合方法.实验结果表明,提出的PDA算法能协同多摄像头可靠地跟踪人.     

基于多源动态TrAdaBoost的实例迁移学习方法

针对源领域数据和目标领域数据分布类似的情况,提出一种基于多源动态TrAdaBoost的实例迁移学习方法.考虑多个源领域知识,使得目标任务的学习可以充分利用所有源领域信息,每次训练候选分类器时,所有源领域样本都参与学习,可以获得有利于目标任务学习的有用信息,从而避免负迁移的产生.理论分析验证了所提算法较单源迁移的优势,以及加入动态因子改善了源权重收敛导致的权重熵由源样本转移到目标样本的问题.研究结果表明,所提算法在2个和3个源领域的迁移学习精确度最高值分别达到90.7%和92.2%,能够得到较高的分类精度,更适于实例迁移学习.     

多级空间尺度下的轨迹知识发现

为了挖掘轨迹数据库在不同空间尺度上隐含的移动对象分布模式与运动规律,将空间语义信息融入轨迹的表达,运用空间层次关系模型结合多层关联规则挖掘方法,提出了一种基于语义位置矩阵的多尺度轨迹表达和演化方法,在此基础上设计了一种发现轨迹频繁模式的算法.试验结果表明,该方法能发现不同尺度的轨迹知识,并具有较高效率.