空战中的多目标威胁评估方法

针对传统空战多目标威胁评估难以满足准确性、实时性的缺陷与不足,提出基于模糊集与证据理论相结合的空战多目标威胁评估方法.该方法通过合理设置隶属度函数计算各威胁指标的威胁度基本概率赋值,使用改进的证据合成规则代替传统Dempster组合规则对其进行指标间融合及时域融合;采用加权求和的方法计算空中目标的威胁值并排序.最后给出仿真算例,验证了该方法的有效性.     

改进的证据组合方法

针对在空中目标识别中,证据理论不能正确处理高度冲突的证据以及冲突因子度量冲突的方法存在不合理性等问题,提出了改进的证据组合方法。该方法包括冲突度量方法及证据组合规则,基于Jousselme距离的冲突度量方法通过计算证据与证据均值的距离,求出各证据间的冲突;基于Lefevre方法框架的证据组合规则定义了基本概率指派(BPA)中非冲突部分所占的比例,再将冲突部分重新分配。仿真实验与比较结果表明,提出的改进方法较有效地解决了证据理论存在的问题,提高了目标识别结果的可靠性。     

P 距离确定信息量的证据合成方法

针对D-S证据理论在对高度冲突的证据进行融合时可能出现与直觉相悖的情况,在对一些经典改进方法分析的基础上,提出一种基于P距离确定信息量的证据合成方法。在保证各证据之间冲突整体最小的情况下,建立证据权重分配模型,利用遗传算法求出权值,根据权值确定各证据的可取信息量,对基本概率分配函数进行转化。实例分析表明,改进的D-S算法具有抗干扰能力强和决策风险低等特点,能提高证据组合结果的可信性。     

基于参数优化的支持向量机战场多目标声识别

针对网格搜索支持向量机(SVM)参数的方法存在复杂度高、运算量大等不足,提出了一种改进的网格搜索SVM分类器的最佳参数选择算法。将其应用于战场多目标SVM分类器中,对该分类器与KNN分类器和改进BP神经网络分类器进行的分类对比实验表明,改进的网格搜索SVM分类器参数选择算法可以有效地减少SVM分类器的运算量、改进学习性能并提高识别率。     

改进的D-S证据理论在战场目标识别中的应用

战场目标识别中多传感器信息融合面临各种不确定冲突信息。为此,提出了一种基于权重的证据调整方法,给予证据分配不同的权重,重新修正基本概率分配函数,利用Dempster组合规则实现信息融合。通过数值验证并与其他的改进算法对比,结果更为理想,能有效的减小冲突证据的不良影响,同时具有较高的收敛速度,降低了决策风险,仿真结果表明,算法有效、可行。     

基于多分类器组合的红外目标识别方法

针对以往的红外目标模式识别方法无法区分坦克与铁板假目标的缺点,提出了基于多分类器组合的红外目标模式识别方法.该方法对红外图像的每行像素使用线性分类器和BP神经网络分类器进行识别,用与规则对两分类器的识别结果进行决策融合,得到每行像素的识别结果,然后对多行像素的识别结果使用多数票规则及或规则进行决策融合,得到最终识别结果,完成对坦克、背景和铁板假目标的区分.仿真结果表明:组合使用BP神经网络分类器和线性分类器,可提高系统识别能力,能较好地完成目标识别.     

基于稀疏编码特征的多传感器辐射源识别

针对单传感器在低信噪比下对辐射源信号的识别性能较差的问题,提出了一种基于稀疏自编码器的多传感器辐射源融合识别的方法。该方法首先采用稀疏自编码器进行特征提取,得到信号样本的特征模板;然后利用特征匹配方法,得到匹配差值;最后将匹配差值转化为D-S证据理论的基本概率赋值函数,通过改进的D-S证据对多个传感器进行融合得到最终结果。仿真实验结果表明,融合算法能够有效地提取信号特征,可进一步提高单传感器的识别性能,在小样本、低信噪比条件下,具有更强的识别优势。     

基于SVM的移动机器人路标识别算法

提出一种基于支持向量机的移动机器人路标识别算法,其利用SVM分类器对大量的交通标志进行识别。该方法对于场景光线强度变化,图像存在形变以及路标存在阴影遮挡和距离较远等情况都具有学习能力与容错性。实验结果表明,基于SVM的移动机器人路标识别分类器在复杂的室外环境下是有效的、具有鲁棒性的。     

一种交互合成的目标身份识别方法

针对D-S证据理论(Dempster-Shafer theory,DST)中Dempster组合规则在处理高冲突证据时的不足,以及DSm理论(Dezert-Smarandanche theory,DSmT)在处理低冲突证据时置信度降低的问题,文中提出了DST与DSmT交互合成的目标身份识别方法。该方法先计算证据相似度,然后根据相似度对DST与DSmT交互合成,从而自适应处理证据。算例结果表明了该方法可以有效提高目标身份识别的准确性。     

基于模糊超球面SVM的雷达高分辨距离像识别

高分辨距离像(HRRP)分类是对雷达复杂目标分类的一种重要方法.标准的一对一超球面SVM多值分类方法需要训练k(k-1)个子分类器,计算量大、训练时间长,并且存在决策盲区,不适宜用来进行HRRP目标识别.为了减少分类器数量,提高训练速度,文中根据超球面的几何特征引入了一种“倒数对称”的一维隶属度,构造了模糊超球面SVM分类器,该方法仅需训练k(k-1)/2个子分类器,既提高了训练速度又解决了决策盲区,HRRP实测数据识别实验表明了该方法的有效性.     

基于支持向量机的模拟电路故障诊断方法

支持向量机（Support Vector Machines，SVM）故障分类器，在不易取得训练样本的情况下，实现较高准确率的故障诊断，并且具有较强的通用性和实用性。提出三种支持向量多类分类器（一对一算法、一对多算法，以及改进型一对多算法），通过将其应用到实际电路进行故障诊断当中对其性能进行比较，得出串行支持向量机无论在分类速度上还是在分类精度上都好于其它两种方法，核函数的选择对故障诊断的性能也存在着一定的影响。     

基于改进 D-S 证据理论的海上信息融合方法

针对经典D-S证据理论在实际海上态势分析中对高冲突的证据融合结果准确性较低的问题,提出一种改进D-S证据理论的数据融合方法.通过基于万有引力定律的证据距离公式来衡量证据之间的冲突程度,将冲突较大的融合结果赋予较小的权重,并通过海上武器识别案例进行融合.结果表明,该方法证据冲突越明显,优势越大;证据之间冲突较小时,其融合结果和经典D-S证据理论一致,并具有更高的准确度和稳定性.     

冲突证据融合算法性能分析

针对D-S证据理论在处理冲突证据时存在的不足，对不同冲突证据融合算法的性能进行分析。仿真结果表明，Yager算法无法有效处理冲突问题。孙全和Murphy理论主要利用加心策略的可靠性解决冲突证据的融合问题，收敛性差。而邓勇算法采用的加性策略在加性合成同时，引入证据距离函数以得到各证据的可信度作为权值对证据进行加性合成，因此收敛性优于孙全和Murphy算法。关欣算法先对冲突证据进行合理修正，消除证据间冲突，再采用D-S算法进行合成，但该算法证据的冲突由敌方干扰引起，具有一定局限性。     

相关证据下的水中目标识别方法研究

研究了基于现代信号处理技术的舰船辐射噪声信号特征提取，提出了基于欧氏距离特征标准化的算法和基本概率赋值的获取方法，给出了相关证据下的信息融合规则。通过对大量实船噪声样本进行实验分析表明，该方法可以提高对水中目标识别分类结果。     

基于SVM决策树的数据链识别分类

摘要：为解决数据链信号识别分类的问题,提出一种基于支持向量机(support vector machine,SVM)决策树的数 据链识别分类方法。通过分析美军常用的数据链通信信号特征,采用小波变换法分析数据链的特征信息,得出小波 系数与信号能量分布的关系,根据SVM 算法原理,构建目标特征模型,对信号特征量进行识别分类,对SVM 分类 器的关键参数进行优化设计,并与BP 神经网络算法进行对比实验仿真。结果表明：SVM 决策树网络分类器在进行 收敛速度和准确率表现优异,能改善分类识别效能。     

一种区间距离的冲突证据组合方法

针对含有冲突证据的多条证据组合结果出现反直观的不足,提出基于不确定区间距离的冲突证据组合方法。通过文献［13,15,17］分析发现,由信度及似真函数构成的区间包含事件本身所有的信息,解决了直接由Mass函数构成证据组合过程中信息缺失的问题。根据不确定区间定义了一种区间距离。通过区间距离生成证据间的距离矩阵以及证据间的权重,利用权重对原有证据进行修正,基于Dempster-Shafer证据理论及第6种比例冲突再分配完成证据组合。算例分析结果表明：新方法在冲突度表征变化上与文献［33］的变化趋势一致,证明了该方法的有效性;在多条冲突证据的组合中,新方法的信度值比现有冲突度量方法明显提高,证明了该方法的正确性。     

干扰情况下单传感器的数据融合算法

针对D-S证据理论在处理冲突证据时存在的不足,提出了一种改进的单传感器被干扰情况下的数据融合算法。该算法首先采用加性策略对原证据集进行处理,消除冲突,然后利用D-S证据理论的合成公式进行融合,得到最终合成结果。最后进行仿真试验,仿真试验结果说明该算法能有效地排除干扰,得出符合实际的合成结果。     

基于支持向量机的弹道识别及其在雷达弹道外推中的应用

支持向量机( SVM)是一种基于结构风险最小化原理的分类技术,也是一种具有很好泛化性能的回归分析方法。本文用SVM分类方法对弹道类型进行识别,用SVM回归方法对不同类型的弹道数据分别建模,进而对弹道起点进行有效预测。仿真结果表明,该方法识别精度高,在SVM弹道识别的基础上,还可以有效提高弹道外推精度。