多传感器布局和目标跟踪精度分析

基于目标位置估计的Cramer-Rao限和几何精度稀释(GDOP)来研究组网的多异质非线性传感器系统中,传感器和目标的相对位置对目标跟踪精度的影响.分析表明,除了传感器的测量误差、目标的距离外,传感器到目标视线的夹角大小对目标跟踪精度也有一定的影响,影响的大小和传感器的横向径向测量误差的比值大小有关.结合工程应用,分别对2个和3个不同类型的传感器组合进行了讨论.     

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.     

基于两坐标雷达与红外传感器的融合跟踪

针对两坐标雷达与红外传感器的融合跟踪问题,提出一套基于航迹关联事件的后验概率最大化准则和"最近邻"思想的状态信息相关与融合估计的一体化实现方法,克服了两种传感器观测数据不完整给融合处理带来的困难,通过充分利用雷达的航迹,点迹和历史信息,融合高精度的红外测角和雷达测距信息,改善系统的跟踪能力.最后的仿真实验表明了该方法的有效性.     

基于曲线拟合的多传感器时间对准方法研究

针对多传感器数据融合时间不同步、数据率不一致的特点,提出了一种基于曲线拟合的时间对准算法.该方法能将不同传感器测得的不同采样周期的数据对准到同一时间点上,以便进行特征提取与数据融合.同现有算法相比较,该算法计算简单,速度快,提高了融合效率.     

基于复杂系统的组网雷达系统分析

分析了常规单基雷达演化成组网雷达的过程,并运用复杂系统的基本属性———差异性、多样性、相关性和整体性,分析了组网雷达演化的机理。然后指出组网雷达整体涌现具体表现为作战能力的提高和“四抗”能力的飞跃。最后分析了组网雷达作为复杂系统,网内雷达站之间的数据融合是其涌现的动力学机制。     

基于模糊时间Petri网的决策融合模型及时间推理

针对常规导弹旅作战指挥决策过程中伴随大量随机、并发情况的特点,提出利用线性逻辑给出的模糊时间Petri网来描述作战指挥决策融合过程。通过建立相应的FTPN模型,并利用时间推理的方法来分析模糊时间Petri网的运行行为,说明其在作战指挥决策融合中的应用。     

战场图像情报侦察处理技术及其发展

为了及时了解和掌握图像侦察领域最新的处理技术和发展动态,研究了战场图像情报的特点,主要获取手段,美军目前使用的几种典型战场图像侦察装备,战场侦察图像的融合处理和关键技术。     

基于神经网络的地形匹配方法研究

提出了基于神经网络实现多特征融合的地形匹配算法,充分利用地形的各种不同的统计特征和几何特征,构造了一种地形匹配网络模型.通过对实时图和基准图的分析,给出了计算网络节点之间的权值函数,建立了网络系统能量方程,通过求系统的最小能量得到最佳匹配位置.由于网络能融合地形的不同统计特征和几何特征,所以算法大大提高了系统的抗干扰能力和定位精度,适合于实时图容易发生畸变的地形匹配领域.实验结果表明,定位精度和抗干扰能力均优于传统的地形匹配方法.     

基于目标参照拓扑的模糊航迹关联方法

航迹关联是分布式多雷达数据融合系统中的关键问题。多个雷达对同一目标观测的局部航迹,在系统偏差的影响下相差很大,难以通过目标位置、速度等信息进行关联判决。基于目标参照拓扑的模糊航迹关联方法,首先利用目标空间上的相对位置信息,提取新的特征———目标拓扑向量,然后考虑正北偏差的影响将其弥散化,继而应用模糊模式识别方法进行分析,建立关联准则,实现目标航迹的自动关联,并可为数据的进一步校准提供先验信息。仿真结果表明该方法具有较高的关联精度和鲁棒性。     

基于模糊融合的目标检测算法研究

针对经典决策层融合检测过程中本地“硬”判决导致的信息损失问题 ,利用模糊子集理论 ,提出了一种基于模糊“软”判决的融合检测方法。理论分析与仿真实验表明 ,该方法优于传统的“K秩”方法 ,ROC雷达工作曲线接近理论最优曲线。