基于证据置信熵与相似性的目标识别方法研究

针对多传感器目标识别中证据存在非一致性问题,提出一种面向目标识别的基于证据置信熵与相似性的多传感器证据融合算法。首先,利用传感器证据非一致性不确定度与非特异性不确定度,提出了一种基于置信熵的传感器证据不确定性度量模型;在此基础上,结合传感器证据距离与证据冲突,设计了一种基于置信熵与相似性的传感器证据权重生成方法;最后,构建了一种多传感器证据融合模型。仿真结果表明,所提出的多传感器信息融合方法进行目标识别时,相较于传统算法具有更好的有效性。     

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。     

用证据理论方法进行多波段数据融合的目标分类

为实现空间目标分类，可以采用D－S证据理论方法将多通道图像数据有效融合，得出正确的分类结果。本文描述了D－S证据理论方法及其在目标分类中的应用，并采用来自三通道的图像数据具体实施这项技术。     

基于pignistic概率距离的冲突证据合成方法

Dempster Shafer证据理论在数据融合中有着广泛的应用.但当证据之间高度冲突时,应用DS证据合成公式往往会得出错误的结果.在现有的证据合成改进方法中,均使用冲突系数k来度量证据之间冲突的程度.最新的研究表明:影响证据冲突的因素不仅仅是冲突系数k,还和证据的pignistic概率距离等因素有关.在原有的冲突系数k之上,引入pignistic概率距离,提出了一种新的冲突证据合成方法.仿真结果表明:当证据之间的冲突小时,合成结果近似于D-S证据合成公式,当证据之间的冲突较大时,这种方法在公式模型上比其他方法完善,冲突证据的合成结果更加合理.     

基于Dempster-Shafer证据推理的多传感器信息融合技术及应用

本文详细阐明了基于D-S证据推理的多传感器信息融合的原理及目标识别的方法.同时,介绍了其在雷达目标融合识别中的应用.     

多传感器信息融合中的证据冲突判决方法

为了提高多传感器信息融合中冲突判决的准确性,提出了用多个证据冲突函数对证据冲突进行判决。首先分析证据冲突机理,指出证据冲突与证据间命题差异和潜在冲突有关,应在多证据组合情况下衡量证据冲突程度。然后给出多个证据冲突函数解决证据组合时冲突判决问题。最后通过仿真验证了该方法的有效性。     

多传感器数据融合目标识别算法综述

多传感器数据融合作为一种特殊的数据处理手段在目标识别领域得到了较大的重视和发展.在介绍多传感器数据融合目标识别基本原理及其算法理论依据基础上,从概念分类方面,对目前多传感器数据融合目标识别算法进行了全面综述,包括参数分类算法、基于认识模型的算法、物理模型算法及多类算法综合识别法等,说明了各算法特点及对其的进一步改进,列举了目前国内外一些已经发表的重要算法,为下一步多传感器融合目标识别研究提供了一定的理论依据.     

基于改进D-S证据理论的数据融合目标分类

首先采用分类算法对MSTAR数据集进行十类目标分类识别、三类目标的变体分类识别,然后根据分类调参过程中的先验知识修正证据即分类器输出,构造基本置信函数,并采用改进的合成规则即基于冲突系数K和Pignistic概率距离相结合的冲突度量方法,对冲突证据采用按比例分配冲突度的合成规则进行合成。未融合时,三类目标的变体分类准确率最高为93.553%,融合后三类目标变体分类识别率为95.092%,提升幅度约是理想状态的37%。     

D-S证据理论在多传感器信息融合中的改进

详细阐明了多传感器信息融合的一种方法——D-S证据理论，他是一种处理不确定性问题的有用方法，但是D-S证据理论组合规则的一些不足影响证据理论的应用，通过深入分析，针对该方法的不足提出了一种修正的组合方法，这样不仅能够用于组合冲突比较大的证据，而且能够根据各条证据所包含的不同信息量进行自适应加权组合，改进了基本D-S证据理论的组合准则，提高了其融合性能，并通过实例证明了该方法的有效性。     

D-S证据理论在双波段红外图像目标检测中的应用

本文介绍了D-S证据理论的基本概念,提出了用双门限分割法分配基本置信度以及D-S证据理论用于双波段红外图像目标检测的方法,通过举例证明了该方法的有效性.     

基于模糊贝叶斯网络的空中目标多传感器融合识别研究

为了对充满不确定性与模糊性的空中目标识别数据进行处理,提高空中目标多传感器融合的准确性和可靠性,提出以模糊贝叶斯网络为基本结构的多传感器数据融合模型.该模型能够对清晰连续变量通过模糊化和去模糊化操作变换成离散变量,而且基于模糊贝叶斯网络的建模方法能够组合多种证据进行不确定性表达和推理.通过详细分析空中目标识别的推理规则,建立了空中目标识别的贝叶斯网络拓扑结构,提出了贝叶斯推理算法对多种证据进行融合计算的模型.识别实例表明该模型能够融合不同信息源的数据,有效地提高空中目标识别的效率.     

一种基于模糊理论与D-S证据理论的红外小目标与诱饵识别算法

根据实际要解决的红外小目标与诱饵弹的识别问题,提出了一种基于模糊集理论与D-S证据理论相结合的方法,此方法把目标与诱饵的辐射特性及运动特性用D-S证据结合起来,构成目标与诱饵识别的模糊集合,最后根据目标置信度函数进行模糊综合判决进行目标的检测、识别.实验证明该算法能很好的把目标从诱饵中分离出来.     

基于D-S证据理论的协作频谱感知算法

在无线传播过程中,主用户信号经常会受到路径损耗、阴影衰落等影响,导致无线通信环境中单个认知用户对主用户的感知结果存在不确定性。因此,结合D-S证据理论方法,提出了一种新的协作频谱感知算法。以能量检测作为基础,将证据间冲突变化程度平均性的概念结合其中,根据这一方式设计了一种新的证据理论合成法则,将多个D-S融合结果送到融合中心进行数据融合,得出最终判决。仿真实验结果表明,该算法能够很好地解决证据间的高度冲突并较为合理地减轻不确定性因素的影响,在信噪比比较低的情况下,获得较好的检测性能。     

雷达红外复合目标识别技术研究

雷达与红外传感器所获取的信息能实现互补,可以改善对目标识别跟踪的效果。提出了雷达与红外成像双模目标识别的方法,利用两种独立传感器的信息互补性来构造联合特征向量,通过有序加权平均算子信息融合系统进行目标识别。仿真实验表明,采用这种方法能提高融合结果的稳定性、可靠性。     

红外/毫米波复合制导目标识别技术研究

介绍了多模复合制导的基本原理，技术难点以及国内外研究动态。在此基础上，提出了红外/毫米波复合制导中目标识别处理的一种软硬件实现方案，最后预测了该技术的发展趋势。