采用粗BP神经网络和D-S证据理论的目标识别

为克服传统的目标识别方法的不足,提高目标识别的实时性和准确性,提出将粗BP神经网络与D-S证据理论相结合的识别模型.在多传感器数据融合中利用粗集理论对大量的传感器数据进行处理,对输入信息进行约简,剔除冗余信息,简化了生成规则和BP神经网络模型结构,提高了网络训练速度和运行速度.以BP神经网络输出作为证据,后端对不同传感器的证据用D-S证据理论进行融合,得到待识别目标的识别概率.实验表明该模型减少了识别的主观因素,简化了BP神经网络结构,提高了运算速度和识别效果.该混合模型有比较好的应用前景.     

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.     

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.     

采用D-S证据理论的双色红外小目标融合检测

针对远距离低信噪比条件下目标检测难的实际问题,提出采用D-S证据理论的双色红外小目标融合检测方法。该方法首先采用统计检测方法对各传感器图像进行目标检测处理;接着采用“或”逻辑对各传感器的目标检测结果进行融合,以降低目标漏检的可能性;然后在各传感器图像中提取融合检测结果中各候选目标区域的多个图像特征作为进一步消除虚警的证据;最后采用D-S证据理论对各候选目标区进行基于多特征的目标融合识别处理,并将识别结果作为整个系统最终的目标检测输出。实验结果证明了该算法的有效性。     

基于非均匀粒度聚类的电子目标多传感器识别

在对电子目标进行识别时,一般采取多传感器融合的D-S证据理论,但是在实际应用中,证据理论存在不同证据冲突的问题。针对此问题,将证据转化成欧氏空间中的点,证据之间的冲突程度转化成距离,对证据进行聚类,用经过聚类后的证据来实现电子目标多传感器融合识别。仿真实验的结果证实了该方法的有效性和实用性。     

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。     

D-S证据理论和粗集理论在数据融合中的应用

提出了一种由粗集理论和D S证据理论结合的多传感器数据融合方法 ,并将其应用于目标识别中。在目标识别的数据融合中 ,利用粗集理论对大量的传感器数据进行处理 ,判断出冗余传感器 ,得到传感器的最简组合 ,从而简化特征数据。然后利用D S理论实现目标的分类 ,改进分类的效果。因此 ,将两种方法结合起来应用于数据融合技术中来进行目标识别 ,为解决传感器数据超载以及不完整传感器信息融合提供了一种方法 ,且提高了识别的速度和效果     

D-S证据理论在雷达目标识别中的应用

为解决雷达终端目标识别问题,采用基于推理的数据融合方法。分析了Dempster-Shafer(D-S)证据理论用于多传感器数据融合的基本概念和理论,并结合最小风险准则将其应用于雷达终端目标识别的数据融合中。实验结果证明了基于融合后的识别结果较单传感器单周期的识别结果好,验证了这一方法的正确性和有效性。     

基于改进D-S理论的多时刻空中目标威胁评估

针对单时刻空中目标威胁评估存在的抗干扰能力弱、可靠性不足等问题,建立一种基于改进D-S证据理论的多时刻空中目标威胁评估模型。首先,根据空战时间线,定义多时刻空中目标威胁评估时段范围;然后,在单时刻空中目标威胁等级概率分配基础上,利用D-S证据理论融合各时刻证据信息;同时,针对D-S证据理论不能处理高冲突证据的弊端及其现有改进方法计算量较大的不足,引入偏移度的概念,确定各时刻证据源权重,对加权证据进行D-S融合。数值算例表明,该模型算法复杂度低;能有效处理波动数据、稳定性强,并且可减弱高冲突证据融合对威胁评估带来的不利影响,为最终决策提供了更准确的判别依据。     

基才模糊C均值聚类和D-S证据理论的多传感器信息融合技术研究

D-S证据理论能很好地表达"不确定"和"未知"等信息融合中的重要概念,在多传感器信息融合领域得到了广泛的应用.针对传感器数量较多时,D-S方法计算量很大的问题,提出了利用模糊C均值聚类来减少证据体数目.再结合D-S证据理论进行信息融合的办法.实验数据表明,该方法大大减少了计算量,保证了目标识别的准确度.     

基于D-S证据理论的传感器网络数据融合算法

传感器网络对于多个传感器在不同目标的识别过程中,各种技术冲突便随之接踵而至,并对传感器网络的科学体制产生了能动性的影响,使得系统的实时性和同步性的效能受到很大的负面影响。基于此,文章以D-S证据理论为核心要素,通过矩阵分析在融合算法中的理论地位,辅之以数学归纳法的精要,力求得到与融合结果与D-S证据组合公式相同的结果。     

基于加权信度熵的传感器数据冲突度量与融合

目标识别中,来自多传感器的数据通常包含诸多不确定性。在D-S证据理论框架下,提出一种基于加权信度熵的传感器冲突数据融合与目标识别方法。首先,将辨识框架(FOD)中包含的不确定信息融入新近提出的Deng熵模型;随后,采用加权Deng熵量化不同传感器数据源中的不确定性;最后,实现传感器冲突数据融合与目标识别决策。数值仿真及不同方法的比较分析结果验证了所提方法的合理性与有效性。     

基于数据融合的通信电台目标识别方法

D-S证据理论是贝叶斯推理的扩充,是一种适用于不确定决策问题和风险型决策问题的决策方法,在多传感器数据融合中得到广泛的应用。通信对抗系统所面对的电磁环境比较复杂,对通信电台的识别比较困难。应用D-S证据理论对通信对抗系统中侦测传感器的侦测数据进行数据融合,提高了通信电台目标的识别率。     

基于BP神经网络和证据理论的超声检测缺陷识别

针对超声检测缺陷性质识别中准确率较低的问题,研究了一种基于BP神经网络和证据理论进行超声检测缺陷识别的方法。首先,提出了一种基于BP神经网络和证据理论的融合模型,利用BP神经网络进行特征层融合,将其输出作为证据源的概率分布函数。其次,在决策层融合中针对传统D-S证据理论易出现证据冲突的情况,考虑到不同传感器获取数据的可靠性差异,给出获取证据源可靠性因子的方法。通过引入可靠性因子λ衡量不同证据源的可靠性,使得所有证据源经过可靠性评估后再进行数据融合。最后,通过超声检测手段获取某航空材料的缺陷数据,并对提出的方法进行了验证。研究结果显示,该方法能够更加准确地进行缺陷识别,与传统D-S证据理论相比提高了缺陷识别的准确性。     

基于D-S证据理论的数据融合算法及其在电路故障诊断中的应用

本文在D-S证据理论的基础上,结合模糊集合论,给出了电子电路故障定位的多传感器数据融合方法.通过测试电路中的被诊断元件的工作温度和工作电压两个物理量,得出D-S证据理论中两传感器对各待诊断元件的信度函数分配,再利用D-S联合规则得到融合后的信度函数分配,从而确定故障元件,并通过单传感器诊断结果与融合诊断结果比较,说明多传感器融合的优越性.     

D-S证据理论数据融合算法在某系统故障诊断中的应用

介绍了Dempster-Shafer(D-S)证据理论数据融合算法的基本原理,在此基础上以电压-码转换电路板为被诊断对象,探索了基于D-S证据理论多传感器数据融合算法的某系统电路故障元器件诊断方法.诊断结果表明D-S证据理论多传感器信息融合算法可有效地提高故障模式的识别能力,使故障元器件得以有效定位.     

一种结合证据可靠性和D-S理论的综合识别方法

为了满足复杂战场环境的目标身份识别需求,需要将多种传感器的识别信息进行融合,实现有效的身份判断。该文从传感器的基本信度评价和稳定性2个方面对识别证据进行可靠性评估,反映传感器工作机制、目标分布和配准关联为识别证据引入的不确定性;结合证据的可靠性与冲突情况,动态选择D-S证据的融合结构,降低冲突证据对融合结果的不利影响,并进行历史识别证据溯源,有效整合时间上离散的多个证据,排除不独立证据造成的误识别。最后通过仿真验证了方法的有效性。     

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证据理论多传感器信息融合的辐射源及平台识别

本文深入研究了基于D-S证据理论的多传感器信息融合方法,将其应用于单个辐射源识别,并在此基础上将其推广到辐射源平台识别,提出了一种应用于平台识别的可行方法,仿真结果表明,这种基于D-S证据理论信息融合识别方法是适用有效的.     

基于D-S证据理论的组合数据融合算法

针对在无线传感器网络中传感器节点本身能量有限的特性,提出一种基于D-S证据理论的组合数据融合算法.先对传感器网络的当前值依据各组数据的标准差进行聚类,然后对每一类数据组,用D-S证据推理算法进行融合,将其结果看成一个虚拟传感器节点数据,最后通过计算马哈诺比斯距离得出虚拟节点数据向量的异常值,把它作为加权权重进行加权融合.仿真试验表明:该算法识别目标的可信度高于D-S推理法,且在计算复杂度上也有明显优势.