基于D-S证据理论的空中目标识别

提出了一种基于D-S证据理论的空中目标识别方法.该方法首先对目标特征进行提取,然后根据提取的特征利用模糊C均值聚类的方法进行基本概率分配,最后利用D-S组合公式进行融合识别.实例验证了算法的有效性.     

基于最大隶属度原则的多传感器身份融合

多传感器数据融合技术已经成为目标识别中的一项关键技术,针对各传感器的类型、精度、外界的干扰以及不同传感器对不同目标的敏感程度,采用不同的权系数,把各传感器得到的数据进行身份融合,综合利用各传感器所测量的有效数据,得到最终结果,弥补了单个传感器所得数据的不完整或在某些方面的缺陷,可有效提高识别的准确度.     

基于D-S证据理论的多模复合制导目标识别

多传感器信息融合已成为现代条件下目标识别的重要手段.研究基于D-s证据理论的多传感器信息融合算法,提出一种基于Dempster-Sharer理论的推广方法以解决融合信息的证据冲突问题,并将其用于红外成像/毫米波复合制导系统,进行目标识别的决策信息融合,结果比较理想,能够有效地化解证据间的冲突问题.     

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DS证据理论的水下目标识别融合推理方法研究

水下多途、时变的复杂环境给水下目标的识别精度带来了很大影响,单传感器获得的目标信息已不能支持水下目标识别要求,需要通过分析不同传感器源获得的水下目标特征信息间的关联关系,构建水下目标多特征信息不确定性融合推理识别模型和准则,给出水下目标识别的具体判断逻辑流程,建立目标属性识别框架,确定不同传感器源获得的水下目标特征信息证据对水下目标属性可信度分配函数,通过 DS(Dempster-Shafer)证据理论实现水下目标的综合推理识别,为提升水下多平台协同作战能力提供重要基础。     

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证据理论在舰机目标识别中的应用

介绍了D-S(Dempster-Shafer)证据理论的基本概念及其应用特点,分析了舰船和飞机目标识别的需求以及基于搭载辐射源识别舰机目标平台的可行性,结合需求背景,阐明了D-S证据理论在舰机目标识别中的应用方法,详细说明了识别框架的构建和基本概率赋值过程,并在试验环境下验证了该应用方法的可用性和有效性。     

D-S证据理论在振源目标识别中的应用

本文采用D-S证据理论对振动目标脉冲宽度进行融合，可以很好地解决振动目标识别问题。地面目标激励产生的振动信号，主要受到运动状态、目标质量、传感器的距离以及地质条件等因素的影响。对传感器采集到的振动信号进行处理、特征抽取进而通过分类识别的方法可以确定产生地振动信号的目标类别[1]。     

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D-S证据理论的近岸舰船目标识别

在深入分析和提取近岸舰船目标红外特性和微波特性的基础之上,提出一种基于D-S证据理论的红外图像和微波特性融合方法来实现近岸舰船目标的识别.一方面,对红外图像进行小波去噪、边缘提取、海天线识别与对消等红外预处理和特征提取后,可以得到若干个待选目标;另一方面,对目标回波进行衰减、低噪声放大、滤波和线性放大等处理后,可以得到信号幅度大于一定阈值若干个待选目标.最后,通过对红外和微波得到的待选目标运用D-s证据理论的融合规则进行数据融合,得到最终识别结果.算法易于硬件实现.实验表明,该方法能达到较好的识别效果.     

多传感器模糊D-S理论辐射源识别

研究了将D-S证据理论与模糊推理组合应用辐射源识别的方法,提出了基于模糊综合评估获取基本概率分配函数的方法;在此基础上研究了应用D-S证据理论进行多传感器信息融合,从而识别雷达辐射源的原理;仿真实验和对比实验表明本算法的有效性。     

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.     

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.     

用基于矩阵的D-S证据理论方法判定目标属性

D-S证据理论在多传感器数据融合中具有广泛的应用前景.其中Dempster综合规则可对可信度函数进行融合计算,当目标命题的个数很多时,融合计算容易造成漏项,引起计算错误.针对该问题,提出建立关于目标命题的关系矩阵以计算各目标命题的可信度分配值.通过关系矩阵,就可以利用计算机和Matlab语言编程实现自动计算,自动遍历所有项,避免漏项,保证结果的正确性.最后给出算法示例和应用Matlab程序计算的结果.     

基于图像隶属度的主分量分析人脸识别算法

提出了基于图像隶属度的主分量人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间.计算训练样本和待测样本在人脸特征空间中的投影向量间的距离.引入图像隶属函数,作为识别分类器进行人脸识别.针对ORL人脸库的实验结果表明该方法具有良好的识别分离能力.     

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.     

基于简单证据的目标多特征综合识别

针对目标多特征数据,提出了一种基于简单证据的综合识别算法。首先,利用模糊理论将接收的特征参数与知识库中的特征参数进行比较,匹配求出目标模糊隶属度;然后,根据模糊隶属度和特征参数可信度构造包含“未知”的简单证据;最后,用简单证据组合规则进行证据合成,求出识别结果。经过数字算例验证,该算法既能处理冲突证据又能减少证据合成时间。     

基于G2的数据融合与目标识别系统

随着现代战争的规模日趋庞大,作战环境日趋复杂,多传感器数据融合技术已成为必然的发展趋势。介绍一种基于D S证据理论的目标自动实时识别系统。系统采用有反馈的全并行融合系统结构,以分级式D S证据推理为数据融合算法,最终实现一个图形化的目标识别系统。仿真结果表明系统可以快速准确地对多个目标进行识别。