传感器检测时间的确定

在多传感器信息融合时,利用传感器时间轴上一系列的检测报告确定此传感器的信息什么时候应该进行信息融合处理,什么时候不应该进行信息融合处理,从而保证信息融合结果的精确性。考虑了环境因素对检测性能的影响,对一种利用序贯分析方法计算传感器检测时间的近似方法进行了讨论。     

多比特信息分布式检测优化研究

本文拓展了通常意义下多传感器组网分布式检测模型,允许各传感器向融合中心传输多比特信息。给出了Ｋｕｌｌｂａｃｋ分辨率意义下,确定最优多比特信息的方法,以利于改善系统检测性能。数值结果表明,多比特信息分布式检测方案是可行的。     

基于表决算法的空间预警系统数据融合建模/仿真

空间预警系统中包含红外、可见光等多种类型的传感器,每种传感器对不同目标的探测均有相应的优势和不足.数据融合技术对来自多个传感器的探测数据进行综合处理,从而缩短系统整体的目标发现时间,提高探测精度等性能.采用表决融合算法对空间预警系统中的数据融合问题进行研究,建立了多传感器串联、并联以及混合结构3种不同组合的融合模型,重点对采用混合融合结构时,系统在保证一定检测率的同时,能最大程度减小虚警率的算法进行了探讨,计算证明这种结构具有最佳的整体融合效果,最后还给出了融合仿真系统的结构方案.     

多传感器信息融合的谢弗－登普斯特方法

利用了谢弗－登普斯特方法讨论了两重假设下的多传感器信息融合问题。各个传磁器报告目标存在或目标不存在,所有的传感器报告都传输到信息融合中心,在这里利用了谢弗－登普斯特的组合法则,得到了信息融合中心的最终决策规则,并同多传感器信息融合的Ｌ－Ｒ试验方法进行了比较。     

多平台纯方位信息融合结构及关联估计联合优化模型

在多平台纯方位信息融合中,存在多平台的方位关联和单平台的参数估计(或目标定位)困难,因为两者相互依赖和制约。造成相对不同平台的方位不能进行时间空间对准、虚假目标不能消除。为此,提出了一种分布式信息融合结构,并建立了相应的数据互联与参数估计联合优化模型。在这种结构和模型中,首先由各平台对本地传感器探测的纯方位信息完成融合并输出方位序列,然后在融合中心按分层节点对方位序列的数据互联与参数估计进行联合优化处理,每个融合节点仅处理两个平台信息,最后节点输出融合结果。仿真计算结果表明,这种优化模型是解决关联和估计问题的一个有效方法,可以提高多平台纯方位信息融合的性能。     

基于传感器网络数据融合的目标定位方法

针对传感器网络测试系统在战场及终点效应中的应用,探讨了基于多种传感器网络的目标定位方法,提出了采用最优加权融合估计算法将各种传感器的定位信息进行融合处理,并将融合结果与各种传感器计算结果进行比较,结果证明了经融合处理可以大大提高定位精度.     

模糊理论在多传感器信息融合中的应用

利用模糊控制理论能较好解决不确定性问题的特点,将测量信息融合问题融入模糊控制问题中来提高多传感器系统的测量质量;提出模糊融合模型,并介绍了将传感器信息作为模糊控制输入的模糊化问题,以及相应的模糊规则的建立、模糊推理和清晰化处理;提出以相交论域中心作为多传感器的事实来进行兼容度和激励强度的解算;最后进行相应的仿真说明及分析.     

通信受限下分布式多传感器协同跟踪算法

在分布式多传感器目标跟踪系统中,由于局部融合中心(LFC)的物理限制(如:有限的频率信道、处理器容量有限等),只能接收有限个传感器的传送数据。此外,信息传输的方式也将影响传感网的使用寿命,因此,研究了通信受限下的分布式多传感器目标协同跟踪问题。首先对监视区内分布的传感器进行聚类分簇形成若干个子网,接着从通信能耗的角度出发,对传感器采集信息的传递路径进行最优路径规划;进而对子网局部状态进行估计,在子网信息融合中,分别采用最大距离和、最大化信息增量两种准则进行最佳传感器选择,最后通过各子网全局航迹融合实现分布式多传感器协同跟踪。仿真验证了算法的有效性。     

环球防务

美国防部将“灵巧传感器网” 到为预研重点领域之一 美国《防务信息和电子报告》报道,美国防部已将 “灵巧传感器网”（ＳＳＷ）列为五大预研重点领域之一。这 是随着传感器、微电子技术的进展以及互联网作为一种 通讯工具的出现而提出来的。简单地说,ＳＳＷ就是将大 量传感器布设在战场上以收集信息,并把这些信息传送 到各数据融合点进行处理,集成为单一的战场全景图像,当参战人员需要时分发给他们。据称,未来ＳＳＷ将 具有智能的、安全的、以网络为中心的发布和融合传感 器信息的功能,大大提高普通参战人员所需的 战场感知能力。 …     

基于D-S证据推理的多传感器信息融合技术在战场目标识别中的应用

近年来,多传感器信息融合技术已经在许多领域得到了广泛的应用,该技术也可以用于战场目标识别.在简单介绍了多传感器信息融合技术的概念和方法之后,详细阐明了D-S证据推理的原理及其应用于战场目标识别的方法,并进行了仿真处理.仿真结果说明,基于D-S证据推理的多传感器信息融合技术,是解决目标识别问题的一种有效方法.     

基于多级神经网络的类型融合

研究了基于多级神经网络的类型融合方法。这种多级神经网络分为传感器子网和融合子网两部分。传感器子网是一种基于专家规则的模糊神经网络,根据专家规则确定网络结构,网络节点和传递函数都有明确的意义,避免了普通神经网络层数和隐层节点数难以确定的缺点。经过训练的传感器子网能够实现各目标类型的置信度分配,然后用融合子网对多个传感器子网输出结果进行融合,得到目标类型的最终判决。在融合子网中,加入了各传感器的可信度,使融合结果更可靠。仿真结果表明,此方法鲁棒性强,识别率高。     

基于LBP-PCA的多传感器目标识别算法

为了更加有效地提高多传感器图像融合后的识别率,提出一种基于LBP-PCA的多传感器目标识别算法。首先分别对红外和可见光图像进行预处理用以突显出要识别的目标,采用LBP算法提取目标的特征点向量,利用PCA算法进行特征融合,得到降维后的融合特征,最后利用SVM(支持向量机)进行分类和识别。实验仿真结果表明多传感器目标经过LBP-PCA融合后在保持足够数量的有效信息基础上降低了特征的维数,有效地提高了目标识别率。     

基于跟踪精度控制的多传感器管理方法

针对地面机动目标跟踪过程中的多传感器管理问题展开了研究，设计了一种基于跟踪精度控制的多传感器多目标分配方法。首先，在考虑目标与目标之间、目标与传感器之间和传感器与传感器之间等的多种约束条件下运用基于协方差控制的思想建立了多传感器多目标分配问题的优化模型；接着将等价伪量测的异步融合算法与IMM算法结合，计算各目标在不同融合周期的跟踪精度估计值；最后，以目标的跟踪精度需求为出发点，结合蚁群算法的思想，设计了一种求解所建立的多传感器多目标分配问题的优化模型的算法。仿真结果表明：该管理方法能在确保跟踪精度需求的前提下，根据对各目标跟踪任务的重要程度，合理地调度传感器资源。     

多传感器多目标定位与跟踪技术研究

针对炮兵打击目标的特性和获取目标信息所采用的侦察设施 ,研究了多传感器多目标定位和跟踪问题。在闭圆和聚类概念的基础上 ,提出了一种多传感器多目标融合算法 ,并给出了状态估计的最优解。仿真结果证明了这种算法的有效性。这一模型的物理实现正在进一步研究之中。     

异步雷达组网协同跟踪动态传感器分配算法

针对异步雷达组网下的协同跟踪问题提出了一种基于异步顺序融合的动态传感器分配算法。该算法对异步雷达的量测值按采样时刻顺序滤波,根据滤波协方差和目标期望协方差的接近程度动态选择下一时刻跟踪的最优传感器集合。仿真分析表明该算法和基于伪量测的异步雷达组网协同跟踪传感器分配算法相比具有较少的计算量和较高的目标跟踪精度。     

含有多普勒频率的毫米波/红外融合滤波算法

由于毫米波雷达(MMV)和红外(IR)两种传感器在跟踪目标方面具有各自的优势,故使用两种传感器进行数据融合可以得到较单一传感器更高精度的目标数据,从而提高滤波精度。针对上述两种传感器的特点,对采样数据进行时空对准,结合UT变换思想,并在此基础上提出一种含有多普勒频率的无迹卡尔曼滤波(UKF)算法。新算法较单一MMV或者IR传感器滤波算法精度有了明显提高,并且较MMV/IR融合的传统扩展卡尔曼滤波(EKF)算法的精度也有提高。仿真结果证明了新算法的有效性和合理性。     

一种确定检测时间的方法

在许多作为侦察用的无源传感器只报出其检测结果时,利用此传感器一系列检测报告确定被检测目标何时进入及何时离开此传感器检测区域,成为解决决策级信尽融合问题的关键。本文讨论了一种利用序贯分析方法计算检测时间的近似方法。     

面向多目标跟踪的PHD滤波多传感器数据融合算法

针对密集杂波环境下单传感器应用高斯混合PHD算法进行多目标跟踪时性能下降的问题,提出一种面向多目标跟踪的PHD滤波多传感器数据融合算法。首先构建了基于高斯混合PHD滤波的多传感器数据融合系统框架,各传感器利用高斯混合PHD滤波算法进行局部状态估计,然后对各传感器的状态估计结果进行关联度计算,最后通过构建自适应混合参数,引入协方差交叉算法对关联状态进行融合。仿真实验表明,与单传感器高斯混合PHD多目标跟踪算法相比,所提算法有效提高了目标数量和状态的估计精度。