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.     

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。     

基于变精度粗集证据加权的电子目标识别方法

为了对电子目标进行准确识别,一般采取多传感器融合的D-S证据理论方法。但是由于传统的D-S证据理论中各传感器对识别结果的重要性没有区分,造成识别结果不准确。变精度粗集模型是粗集模型的扩展,它允许一定程度错误分类率的存在,更符合实际数据的情况,将变精度粗集理论属性重要度概念应用到各传感器的重要性上,从而实现加权融合的证据理论。仿真结果表明,该方法对电子目标识别有效,尤其在传感器受到干扰时,识别结果更加可靠。     

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.     

证据理论和模糊神经网络相结合的决策方法

针对图像识别中图像的特征信息,排除不确定因素的影响,提出了基于模糊神经网络和D-S证据理论的数据融合算法,并对图像识别为例进行了实例分析,验证了该方法的准确性.该方法先对输入图像进行数据分析,采用T-S模糊神经网络进行处理,再用D-S证据理论执行决策分析,最终得到识别精度较高的有效结果.     

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。     

多源红外弱小目标灰色关联融合识别方法

针对从复杂地物背景下识别红外弱小目标的需求,提出了一种针对中/长波红外图像的多源信息融合识别方法。首先在对低信噪比红外图像的预处理中改进了去相关和分块阈值分割等算法以抑制温度场的非线性影响,有效提取出目标及其特征,再利用基于灰色理论的目标关联度计算得到基本概率赋值,进一步运用D-S证据理论组合规则对多个观测样本的信任度进行决策融合,得到同一时刻多传感器探测样本数据的最终识别结果。实验表明,该方法对复杂地物背景下的红外弱小目标具有较高的识别效率。     

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。     

改进的D-S证据理论在Φ-OTDR三路监测系统中的应用

针对相位敏感光时域反射计(Φ-OTDR)分布式光纤扰动传感系统严重的误警问题,在Φ-OTDR多路监测系统方案的基础上,提出了将改进的D-S证据理论应用于Φ-OTDR三路监测系统中以减少误警率.利用改进的D-S证据理论信息融合算法对每路输出数据进行融合,然后将融合结果与报警阈值相比较,判断是否发生报警.实验测试发现:基于改进的D-S证据理论的Φ-OTDR三路监测系统不仅在三路监测方案中能够正确判断扰动信号,还使得漏警率由3％降至1％,72 h内误警率由3.3％降至0％,提高了系统的报警性能.     

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     

Multisensor fusion in the frame of evidence theory for landmines detection

In the frame of humanitarian antipersonnel mines detection, a multisensor fusion method using the Dempster-Shafer evidence theory is presented. The multisensor system consists of two sensors-a ground penetrating radar (GPR) and a metal detector (MD). For each sensor, a new features extraction method is presented. The method for the GPR is mainly based on wavelets and contours extraction. First simulations on a limited set of data show that an improvement in detection and false alarms rejection, for the GPR as a standalone sensor, could be obtained. The MD features extraction method is mainly based on contours extraction. All of these features are then fused with the GPR ones in some specific cases in order to determine a new feature. From these results, belief functions, as defined in the evidence theory, are then determined and combined thanks to the orthogonal sum. First results in terms of detection and false alarm rates are presented for a limited set of real data and a comparison is made between the two cases: with or without multisensor fusion.     

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。     

融合相干/非相干信息的高分辨率SAR图像变化检测

该文运用Dempster-Shafer(D-S)证据理论融合高分辨率SAR影像的相干/非相干差异特征进行变化检测。首先使用简单线性迭代聚类(SLIC)分割算法完成多时相SAR影像联合多尺度分割。然后在各个分割尺度上提取适宜的强度差异特征及相干差异特征,通过Mean算子融合多尺度差异特征并得到多特征差异图。最后运用D-S证据理论完成多特征差异图融合得到变化检测结果。实验表明该方法可得到较为稳健的变化检测结果。      

基于分辨力的融合目标识别系统中的传感器管理方法研究

针对融合目标识别系统传感器管理过程信息不确定性的特点,首次提出了一种基于分辨力的目标识别系统中的传感器管理方法.该方法从分辨力的角度出发,利用D-S证据理论进行推理,在满足约束的条件下,依据使系统预测识别分辨力最大的原则进行优化,实现传感器资源的管理.实验仿真证明了该方法的有效性和合理性.     

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。      

基于多传感器数据融合的火灾预警系统

为避免火灾造成的严重损失,实现火灾早期报警,本系统通过对火灾发生过程和产物的研究比较,采用多种传感器对火灾发生初期火灾特征较明显的几个参数进行监测,并实时反馈回采集的数据。系统利用D-S证据理论对多传感器数据进行融合分析,实现对同一目标的判断;本系统通过利用D-S证据理论对多传感器数据融合的方法,不仅弥补了采用单一传感器的不足,而且很大程度上降低系统判断结果的不确定性,提高了系统预警的准确性和可靠性。     

基于D-S证据理论的阵群目标数据关联算法

由于星载传感器获取数据的时间间隔较长,对监视区域中的每个目标进行稳定有效的跟踪是非常困难的。为此,该文将阵群目标作为研究对象,充分利用阵群目标相对稳定的编成、队形特征,提出了一种基于D-S证据理论的阵群目标数据关联算法。首先,建立阵群目标的编成特征和队形特征的描述模型,并据此提取阵群目标的编成及队形特征;其次,通过D-S证据理论,分别利用编成和队形特征建立阵群目标的关联匹配模型,计算相应的基本概率分配函数;最后,对基于编成和队形特征关联的基本概率分配函数进行证据合成,建立综合的基本概率分配函数,并采用二维分配方法实施关联判决,得出关联结果。仿真实验证实了该算法的有效性。