应用D-S证据理论进行多传感器雷达体制识别

在阐述Dempster-Shafer(D-S)证据理论的基础上,较系统地论述了基于D-S证据理论的多传感器雷达体制识别的数据融合方法,并给出了具体的识别实例。实验结果证明了基于多传感器融合后的识别结果明显优于单传感器的识别结果,说明了D-S证据理论的有效性和先进性。     

一种修正的冲突证据融合方法

对于冲突证据,D-S证据理论无法使用甚至无法得出正确的结果,进而引发了专家学者的研究。针对该问题,提出了一种新的冲突证据融合方法,建立了多传感器综合可信度的计算模型,根据综合可信度得到多传感器的合成结果,采用D-S证据理论对合成结果进行组合,既解决了高冲突问题,又解决了低冲突问题。最后通过仿真验证了该方法的有效性。     

基于模糊逻辑和证据理论的故障诊断方法

针对故障诊断过程中信息损失的问题和D-S证据理论在处理模糊信息时的局限性,在模糊逻辑的基础上,将决策级信息融合技术应用于故障诊断系统中,提出了一种基于模糊逻辑和D-S证据理论相结合的多传感器信息融合综合故障诊断方法。该方法以模糊隶属函数来实现基本可信度分配,充分利用各种传感器的冗余和互补信息,可显著提高故障诊断的准确率,实例验证了该方法的合理性和有效性。     

基于D-S证据理论的多传感器雷达辐射源识别模型

针对复杂电磁环境下多传感器获得的雷达辐射源信息具有不确定性的情况,利用灰色定权聚类法对大量的传感器数据进行处理,以简化雷达辐射源特征数据,在此基础上,探讨了通过灰关联分析确定证据理论中基本概率赋值函数的方法,并应用修正的D-S证据理论实现目标识别,通过仿真验证了该模型能够有效减小雷达辐射源所受的噪声干扰,具有一定的可行性。     

基于加权D-S证据理论的辐射源目标识别

在目标识别中D-S证据理论应用较为广泛,该理论要求各传感器的重要程度相同,与作战使用相矛盾.就此提出了基于加权D-S证据理论的时空域目标识别方法,突出了不同传感器在目标识别中的地位和作用,使目标识别结果更接近作战实际.     

一种多传感器雷达辐射源识别的组合方法

针对复杂电磁环境下多传感器获得的雷达辐射源信息具有不确定性的情况,提出了一种雷达辐射源识别的组合方法.首先利用灰色定权聚类法对大量的传感器数据进行处理,以简化雷达辐射源特征数据,在此基础上通过灰色关联分析法确定证据理论中的基本概率赋值函数,并应用修正的D-S证据理论实现多时刻条件下目标识别.通过仿真算例可知,该方法能够有效减小雷达辐射源所受的噪声干扰,具有一定的可行性.     

坦克排决策支持系统火力机动模块研究

基于D-S证据理论及灰数AHP层次分析法,研究了火力机动样式的选择系统.根据传感器收集的战场情报进行数据融合,给出了用于目标识别的D-S证据理论算法,并针对具体的战场目标进行了相应的算法改进.运用灰数AHP层次分析法对战场的具体目标进行相对比较判断,然后依据灰数AHP层次分析法得出的具体数据选择最佳火力机动样式.     

BP神经网络和D-S证据理论的目标识别

目标识别是指挥自动化系统的一个重要组成部分,针对现代战争对抗手段不断增强的特点,运用BP神经网络和D-S证据理论探索作战飞机机型的识别方法.前端采用3层BP神经网络结构,以传感器接收数据为输入,以神经网络输出作为证据,后端对不同传感器的证据按D-S理论进行融合,得到待识别目标的识别概率.经由MATLAB编程对国内外几种主要机型的识别进行仿真研究,与现行目标识别方法相比较,能够更快速、准确、可靠地识别飞机目标,较好地满足了空战中作战指挥系统对飞机机型识别的需求.     

基于D-S证据理论的多特征数据融合算法

Dempster-Shafer证据理论是不确定推理的一种重要方法,提供了一定程度的不确定性,可以指定给相互重叠或互不相容的命题,然后通过Dempster组合规则将不确定性信息在新证据中进行重新分布,该理论在许多方面都得到了广泛的应用.将来自图像传感器的多种图像特征,通过D-S证据理论将这些特征信息进行融合,并应用于目标的识别.实验结果表明D-S证据理论用于多特征数据融合的目标识别算法是有效的,基于该理论的多特征数据融合具有广阔的应用前景.     

TBM模型的目标综合识别算法

利用电子支援措施(ESM)和光学成像传感器等不同类型传感器进行目标综合识别,是现代综合电子战中的一个重要研究课题。TBM是D-S证据理论的一个扩展模型,它研究了D-S证据理论的动态部分,从数据融合的角度来看,它是一种层次化的递进模型,尤其适用于需要逐层进行数据、特征或决策级融合的融合系统。提出了一种基于TBM模型的异类传感器目标综合识别算法,充分利用了电子侦察和光学成像侦察提供的独立、互补的信息,获得了对目标的有效识别。仿真结果证明了这种算法的有效性。     

目标识别系统中的一种多传感器数据融合算法

Dempster证据组合规则在D-S证据理论中具有十分重要的作用。但在将Dempster证据组合规则应用于多传感器数据融合时,理论上仍有值得探讨之处。在对Dempster证据组合规则进行分析的基础上,提出了解决目标识别系统中多传感器数据融合的“一次Dempster联合法”,避免了原有算法中需多次采用Dempster证据组合规则来计算的问题,从而减少了计算量。     

两级信息融合技术在柴油机故障诊断中的应用

针对传统神经网络在故障诊断中因测点信息多而导致的网络庞大、收敛困难等问题,引入集成神经网络,提高了融合诊断效率;同时引入基于D-S证据理论,这种决策融合方法解决了集成神经网络各个子网诊断结果不一致的问题。在应用于柴油机故障诊断时,首先对测取的正常和故障样本进行小波包AR谱分析,同时提取各个特征频带的能量分别作为集成神经网络对应子网的输入进行诊断,当其无法确定诊断结果时,再运用证据理论进行决策融合输出最终诊断结果。试验证明:基于集成神经网络和D-S证据理论的两级综合诊断模型提高了诊断的准确性和可靠性。     

一种改进的D-S冲突证据合成方法

产生反直觉结果是D-S证据理论在融合冲突证据时经常出现的问题,为了解决这一问题,提出一种改进的D-S冲突证据合成方法。利用Pignistic概率距离衡量证据间的冲突;同时,引进证据间相似度、支持度、确定度、决策度以及可信度来共同确定证据的权重,合理地分配冲突在各命题的比例;并对存在冲突的证据进行修正处理;最后,利用统一信度函数模型对证据进行合成。通过算例验证并与其他方法进行对比表明,所研究的方法在处理冲突证据时优于其他方法,鲁棒性和收敛性更好。     

基于BPAF判决的决策层目标属性融合研究

在D-S证据理论框架下,研究了基于目标基本概率赋值(BPAF)判决的决策层目标属性融合问题。简要介绍了D-S证据组合理论框架,阐述了基于BPAF判决的决策层目标属性融合策略、步骤;分析了证据严重冲突时,Dempster证据组合规则不合理的本质原因;提出必须对D-S证据组合规则进行改善等需要继续深入探讨的几个问题。     

D-S证据理论改进算法提高水下目标识别准确性

D-S证据理论在目标识别中有着广泛的应用,是较好的数据融合方法之一,但在证据高度冲突时,会产生有悖常理的结果。针对此问题,引入传感器的可信度,提出了一种新的改进算法。该算法弥补了D-S证据理论所存在的不足,比其他改进算法融合效果好,此算法应用于水下目标识别,计算结果表明提高了水下目标识别的准确性和有效性。     

一种改进的证据理论合成规则

随着证据理论在信息融合领域中的广泛应用,对冲突证据的处理成为证据理论和应用研究热点。提出了一种基于证据重要度和聚焦度的新的合成规则,首先根据各个证据的重要度对冲突证据进行修正,再对冲突进行细化并考虑证据焦元的基数对D-S合成法则的影响,将冲突信息提取后加入组合规则中。通过实验比较和分析,结果说明该方法不仅能够处理一般性冲突问题,也能处理"一票否决"和"鲁棒性"问题。     

D-S 证据理论应用中的一种图解方法

D-S证据理论是对概率论的进一步扩充,在多传感器数据融合中,有着广泛的应用.当利用D-S合成公式进行融合时,由于需计算的项数较多且不易直接判定具体该有哪些项,容易造成漏项或错项,引起计算错误.提出了一种直观、简单的图解法,可使需计算的项一目了然.     

基于定性信息的装备技术状态评估

利用定性信息对装备技术状态进行评估是提高评估时效性的有效手段.通过对装备技术状态评估研究现状的分析,论证了运用D-S证据理论进行装备技术状态评估的可行性.结合D-S证据理论的特点,提出了适用于装备技术状态评估的可信度分配策略.采用基于投影的证据融合方法,以解决传统D-S证据理论在融合高冲突证据时的缺陷.在评价决策中运用最大基本信度状态评价准则进行评价决策.最后,将提出的分析方法,应用于某具体装备的技术状态评估中,验证了该方法的有效性.     

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D-S证据理论和AHP的故障诊断方法研究

提出了一种基于D-S证据理论和AHP的故障诊断方法,给出了基于AHP法的基本概率分配构造方法.最后,结合故障诊断实例,详细阐述了该诊断方法的应用过程,在对多个传感器提供的证据进行合成后,诊断结论的可信度明显提高,不确定性明显降低,证明该诊断方法合理有效.