基于信息融合技术的复合式火灾探测器

在火灾探测中对单一的火灾特征参数信息进行判断和识别的探测器，易受到环境的干扰，限制了其探测性能，系统的高误报率问题比较突出；复合式火灾探测器采用信息融合技术进行多火灾特征参数信息的判断和识别，提高了火灾探测的可靠性和准确性。介绍了复合式火灾探测器中多传感器的选择。结合火灾探测独特的三层结构（数据层、特征层、决策层）讨论了数据融合技术在火灾探测系统中的应用，并对多传感器在数据层信息融合的模型结构进行了归纳。     

几何分布定数截尾步加试验的最优设计

在逐步type-II结尾场合下,研究产品简单步进应力加速寿命试验的优化设计。假定产品服从几何分布,讨论了几何分布产品加速方程如何建立,利用次序统计量的大样本性质,得到相应的Fisher信息矩阵,以对数特征寿命极大似然估计的渐进方差最小为准则结合Fisher信息矩阵,给出了步进应力加速寿命试验的最优分配比例,通过模拟验证最优设计的有效性。     

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。     

单平台多传感器数据融合系统的设计与实现

从工程应用观点出发研究单平台多传感器数据融合系统 (Data Fusion System ,DFS)设计和实现。首先通过分析此类型 DFS的功能需求 ,提出一种具有一定可伸缩性的系统结构 ;然后运用面向对象的方法 ,进行系统设计 ,以确保系统本身的可扩充性及系统中所采用的算法和模块的可移植性 ;同时也给出了一种确保系统实时性的多线程实现方案。     

态势评估中基于合同网的黑板模型研究

态势评估是对战场上战斗力量分配情况的评价过程。针对目前态势评估的局限性和面临的挑战，运用黑板模型和合同网理论研究态势评估问题。对当前态势评估黑板模型的主要工作进行比较，在此基础上引入合同网的思想，提出了基于合同网的态势评估黑板模型，并重点论述了该模型的结构和运行机制。该模型在一定程度上解决了黑板模型的不足，并且能更好地用于分布式信息融合环境。     

基于神经网络信息融合技术的卫星定姿算法

姿态确定系统是卫星姿态控制系统中的重要组成部分,卫星姿态确定的精度直接影响卫星控制精度.为得到高姿态精度,针对由惯性测量单元(Inertial Measurement Unit),红外地平仪和太阳敏感器组成的卫星姿态确定系统,分别采用BP网络算法和径向基(RBF)网络算法对不同的姿态敏感器的输出数据进行融合,并用STK(Satellite Tool Kit)数据进行了仿真.仿真分析结果表明这两种学习算法均可以提高卫星定姿精度,相对而言,RBF网络无论是精度上还是收敛速度上均优于BP网络.     

海洋环境监测平行系统优化融合

多个海洋环境监测系统之间存在的功能冗余导致资源浪费和不必要的资金投入,因此应将各个系统优化融合成有机整体来节约海洋环境监测的资源和成本。将海洋环境监测系统按照功能划分为不同的模块,在线性规划融合的基础上引入熵方法,以成本和效能指标为主要对象,通过合理分配,在确保系统优化融合后监测能力不降低的同时,尽量减少建设成本。     

基于模型转换的异步空间配准算法

在分布式融合系统中,融合中心在对传感器发送过来的航迹数据进行融合处理前,需要采用空间配准算法来消除航迹数据中可能存在的系统误差.已有的空间配准算法未考虑滤波处理中的状态方程对配准过程的影响.对不同传感器具有不同状态方程条件下的异步空间配准实现进行了研究,采用将模型误差和系统误差合并处理的思路,提出了基于模型转换的异步空间配准(AMCBA)算法.仿真结果表明AMCBA算法能够实现对模型误差和系统误差的准确估计.     

基于数据融合的某型导弹智能温度测量控制系统

介绍了应用于某型导弹的温度测量控制系统的硬件组成和工作过程。为了消除测量干扰,提出一种一致性加权融合估计算法,给出了多传感器一致性检验的准则,并利用多元统计理论推导出了最优权值的计算公式。最后将该算法应用于导弹温度测量控制系统。实验证明:该算法具有较好的稳定性,可有效降低噪声干扰,提高测量精度。     

An infrared target intrusion detection method based on feature fusion and enhancement

Infrared target intrusion detection has significant applications in the fields of military defence and intelligent warning. In view of the characteristics of intrusion targets as well as inspection difficulties, an infrared target intrusion detection algorithm based on feature fusion and enhancement was proposed. This algorithm combines static target mode analysis and dynamic multi-frame correlation detection to extract infrared target features at different levels. Among them, LBP texture analysis can be used to effectively identify the posterior feature patterns which have been contained in the target library, while motion frame difference method can detect the moving regions of the image, improve the integrity of target regions such as camouflage, sheltering and deformation. In order to integrate the advantages of the two methods, the enhanced convolutional neural network was designed and the feature images obtained by the two methods were fused and enhanced. The enhancement module of the network strengthened and screened the targets, and realized the background suppression of infrared images. Based on the experiments, the effect of the proposed method and the comparison method on the background suppression and detection performance was evaluated, and the results showed that the SCRG and BSF values of the method in this paper had a better performance in multiple data sets, and it’s detection performance was far better than the comparison algorithm. The experiment results indicated that, compared with traditional infrared target detection methods, the proposed method could detect the infrared invasion target more accurately, and suppress the background noise more effectively.