FCM和粗集在雷达信号识别中的应用研究

连续属性离散化是粗集理论应用中面临的主要问题之一.对连续数据知识挖掘可采用模糊C均值聚类将其离散化,再应用粗集理论将其属性进行约简提取有用规则.将此方法应用于雷达信号类型识别,可以直接从原始数据中得到识别信息,仿真实验结果证明利用此离散化方法得到的识别规则对雷达信号识别是有效和可靠的.     

基于粗糙集的空袭目标威胁评估排序

通过对影响空袭目标威胁排序因素的分析,针对定性与定量因素并存的情况,提出利用粗糙集理论进行威胁排序的方法.将已有决策表转化为成对比较表,利用优势属性集来推理决策规则,从而确定各目标的排序.案例表明此方法有效地解决了空袭目标威胁排序中的如何处理不确定信息的问题,大大提高了决策的准确性和客观性.     

基于DSm理论的雷达目标综合识别算法

针对数字多功能雷达的目标识别问题,提出了基于DSm理论的综合识别算法。将不同类型的识别结果置于统一的辨识框架中,并利用经典DSm组合规则进行信息组合,采用冲突按比例重分配规则重新分配组合结果,应用基于广义基本信任分配的决策规则进行判决。仿真结果表明,该方法避免了层次化识别结构带来的信息损失,识别结果中含有更丰富的目标信息。     

模糊理论与D-S理论在指控系统目标识别融合中的应用

多传感器信息融合技术已获得了普遍的关注和广泛的应用,其理论和方法已成为智能信息处理的一个重要领域,模糊理论与证据理论(D-S)是主要的技术之一.在某试飞指控系统中,为了获得可靠的识别结果需要目标识别的融合问题.系统的从实际出发提出了基于模糊理论与D-S理论的目标识别融合方法.仿真计算结果表明,该模型和方法具有方法简单、运算量小和识别结果可靠等优点,具有一定的理论意义和使用价值.     

基于置信规则库的防空目标意图识别方法

为解决防空反导体系对于目标意图识别中多源信息处理的问题,提出了一种新的防空目标识别方法——置信规则库(Belief Rules Base)识别模型,该方法是基于BRB专家知识系统的自学习方法,可以有效处理多源不确定性信息。同时,为了提高其识别效率,建立了一种与之相匹配的参数优化模型,并选择差分进化算法作为BRB识别模型的优化引擎。此外,在BRB识别模型中,专家意见也被引用到模型的初始化和推理过程中。最后采用一个实例对BRB识别模型的准确度进行验证。研究表明:该方法具有较强的实用性,可为防空反导体系的目标意图识别提供有力支撑。     

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.     

基于改进证据理论的多传感器目标识别

由于证据理论融合冲突信息会得出不合理的结论,限制了其在目标识别中的应用.为解决这一问题,提出了一种改进融合方法.研究各证据与其他证据的联系,通过计算证据与其他证据均值的距离,求出此证据受其他证据的支持度.归一化支持度获得证据权值,加权平均原有证据后按Dempster规则融合,作出识别.针对空中目标识别算例,对比验证几种方法,结果显示:该方法能够融合冲突信息,在降低计算量的同时,加快收敛速度,提高了识别快速性和准确性.     

空中目标类型识别的直觉模糊集方法

在防空作战中为了有效地对空中目标的类型进行识别,利用直觉模糊集理论对目标识别信息的不确定性进行量化处理,并在直觉模糊数排序方法研究基础上,提出了一种基于直觉模糊集理论的空中目标类型识别方法。实例分析表明,该方法能够定量描述目标判断信息的不确定性以及在避免信息丢失的同时有效地处理不确定性程度较高的目标判断信息,可为防空作战中目标类型识别提供理论参考。     

基于Dempster组合规则的电子目标识别算法研究

在军事目标识别中,必须综合考虑目标的电磁辐射信息和红外图像信息,并采用有效的识别算法,才能准确识别电子目标。提出了基于Dempster组合规则的电子目标综合识别方法,完成了基于Dempster组合规则的电子目标自动识别综合处理算法研究,并进行了仿真实验,试验结果表明,该算法是可行的。     

导弹毁伤机场目标的信息处理技术

立足现实作战需求 ,运用多种图像处理方法和模式识别方法 ,研究目标实际毁伤信息的综合提取和处理方法 ,重点研究机场类目标的毁伤信息处理技术 ,建立了该类典型目标的打击效果判定系统。     

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。     

雷达情报特征的Bayes识别方法

根据雷达情报目标判性应用背景,对Bayes方法在该领域的应用进行了研究,初步建立了基于雷达情报特征的统计模型,并在算法的收敛速度和稳健性等方面与D-S证据理论进行了比较。仿真结果表明,Bayes方法对先验信息的精确程度要求并不十分严格,能较好地解决雷达情报综合问题。     

基于模糊信息论的空中目标识别模型研究

空中目标识别是防空作战辅助决策的关键环节之一。针对目标识别中不确定信息,建立基于模糊信息论的空中目标识别模型。该模型利用模糊信息论中的模糊数,基于贴近度的模糊模式识别对待识空中目标进行初步识别,同时为解决不确定信息本身对目标识别结果稳定性的影响,采用模糊信息熵对目标识别结果修正,从而进一步提高了空中目标识别结果的稳定性和可信度。     

支持向量机的OTHR多频特征目标分类识别法

针对低信噪比下多频法在天波超视距雷达(Over-The-Horizon Radar,OTHR)目标分类识别中分类精度不高的缺点,充分利用雷达量测的一些先验信息,将基于支持向量机(Support Vector Machine,SVM)的多分类器引入多频法中,提出了一种基于SVM的OTHR多频特征目标分类识别方法。仿真结果表明,利用较少的3个频率点,在信噪比较低的条件下可获得较好的分类识别效果,说明了该方法在OTHR目标分类识别中的有效性和可行性。     

基于加权的目标综合识别技术

在基于证据理论的目标综合识别系统中,综合考虑信息源权重对识别结果有重要的影响.提出了基于加权的目标综合识别技术,总结了几种常用的主观权重和客观权重获取方法,给出了组合权重的计算公式,针对D-S证据理论仿真验证了基于证据加权思想对合成结果的改进效果.研究表明,在进行目标综合识别时考虑信息源的权重是必要的,它能有效化解信源冲突,保证合成结果的合理性和稳健性.     

基于观测预测粒子滤波的雷达组网目标状态估计

雷达组网系统跟踪目标时,观测数据与目标跟踪状态成严重非线性关系,难以用卡尔曼滤波最优估计方法,处理非高斯非线性系统滤波估计问题的粒子滤波算法容易产生粒子退化问题。因此,使用观测预测粒子滤波算法解决这个问题,该算法基于观测似然进行重要性采样,结合一步预测信息计算粒子权值,保证了采样粒子处于高观测似然区,并充分利用了一步预测信息。仿真验证表明,将观测预测粒子滤波算法应用于目标状态估计,避免了粒子退化,收敛快,估计精度高。     

基于关联离散度的目标类型识别方法

针对空中作战空中目标识别问题,在分析影响目标类别因素的基础上,提出了一种基于关联离散度的空中目标灰色识别方法。该方法采用灰色理论,通过应用定义的关联离散度作为识别测度,因而在无需对现役雷达作太多技术改进的情况下,就可以提高低分辨雷达对空中目标粗略分类的自动判别能力。给出了应用该方法的具体步骤,通过仿真实例证明该算法的有效性。