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。     

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.     

基于时间融合的雷达辐射源自动识别方法

雷达辐射源识别是雷达对抗信号处理中关键环节,也是电子目标识别的重要前提.介绍了Dempster组合规则和加权M-距离法、灰关联分析法等时间融合的雷达辐射源自动识别方法,提出了基于证据理论的单传感器时间融合算法,研究了单传感器在不同时间测量周期的证据综合过程,并给出仿真试验结果.随着噪声的增大,传感器单次时间融合的正确识别率下降很快,而采用基于D-S证据理论的单传感器时间融合方法却有较高的正确识别率,该算法大大降低了错误识别率.因此提出的算法是可行的.     

基于改进DS理论多周期数据融合的目标识别方法

为了应对复杂战场环境下信息不确定性及证据冲突造成目标识别困难的问题,解决配准关联错误及应答欺骗产生的误识别问题,减小融合算法对先验数据的依赖,提出了一种基于改进DS证据理论的多周期多传感器数据融合方法以实现高效的战场目标识别。方法采用4个层级,两个方面的多传感器数据融合结构,在改进DS证据理论处理性能的同时,充分利用多个周期识别结果的融合实现最终目标识别。仿真结果表明,该方法在提高目标识别准确性的同时,能够有效解决目标密集和应答欺骗造成的目标误识别问题。     

一种弹道导弹目标时空域信息融合模型

针对弹道导弹目标融合识别系统中,传感器接收到的信息具有模糊性与不确定性的特点,提出了一种基于Dempster-Shafer(D-S)理论的导弹目标时空域信息融合模型;针对模型中影响传感器融合识别性能因素的多元性与各因素权重分配的不合理性,在引入证据网路的基础上,提出了一种基于弹道导弹目标影响因素的融合识别性能证据网络结点模型,并通过分析各结点之间的关系,采用多属性决策和群决策分析权重的方法,提出了一种结点权重分配方法。仿真验证了算法的可行性与有效性。     

基于AHP-PCR5的多传感器目标识别

目标识别系统中所获得的信息常常是高度冲突和不确定的。基于DSmT理论的多传感器目标识别,可以解决证据高度冲突情况下的信息融合问题。然而由于DSmT理论融合结果分类精细而不利于判决,需要将某些分类结果进行重新分配。层次分析法(AHP)包含不确定知识矩阵,生成基本信度分配函数。基于此提出AHP-PCR5方法进行证据高度冲突情况下多传感器综合目标识别,不仅提高识别精度,降低识别过程的不确定因素,同时引入折扣系数灵活处理识别过程中具有不同可信度的多传感器融合问题。     

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。     

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.     

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。     

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.     

基于通用黑板模型的IMSE网络中心节点识别

运用通用黑板理论和D-S证据理论探索IMSE网络中心节点识别问题。构建了基于通用黑板框架的IMSE网络中心节点识别模型,讨论了该模型体系的体系结构和实现方法,对该模型的工作流程进行了详细论述。给出了一种基于D-S证据理论的高效识别规则。该系统中专家系统直接给出了基本概率赋值,减少了计算繁琐程度,从而可大大减轻目标识别系统的压力。最后通过仿真结果具体分析了模型的工作情况。     

引入权重因子的证据合成方法

D-S理论是一种有效的不确定性推理方法,但在证据完全冲突或冲突较大时,D-S证据合成公式失效.Yager等学者对此作了改进,但是改进后合成公式又存在着新的问题.考虑到证据在合成过程中的重要程度不同,将权重因子引入到合成公式中,通过权重因子的作用和冲突概率的重新分配,提出了引入权重因子的D-S证据合成方法,新的合成公式提高了证据合成的可靠性和合理性,可得到更为理想的合成结果.     

基于D-S推理的灰关联通信电台识别研究

为了解决通信电台识别问题,在灰关联识别的过程中,引入D-S证据理论,通过对信号的积累和对信任度的重新分配,对识别结果进行了有效的融合,提高了辐射源的正确识别率。仿真结果表明了该方法的可行性和有效性。     

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.     

基于模糊集理论和D-S证据推理的空袭目标识别

目标识别是防空作战指挥过程中信息处理的一个重要环节。在基于模糊理论目标识别基础上,引入D-S证据理论,通过对模糊隶属度进行重新分配,较好地克服了随机因素的影响,可望进一步提高对空中目标的正确识别率。