多子带雷达信号融合噪声抑制方法

全极点模型对信号构建线性模型,通过对模型进行定阶和计算可以得到估计信号的各个参数,从而实现信号预测。子带融合之前需要进行相干处理,可以通过相干函数等方式解决。root-MUSIC算法在低信噪比环境中极点选择并不稳健,会导致模型在阶数上判断错误。为解决全极点模型方法中子带融合在信噪比低时模型阶数估计不准的问题,提出一种噪声抑制方法。对信号Hankel矩阵的主对角奇异值矩阵加权处理,以消除噪声分量,并利用整体前向预测矩阵得到整体频段极点值与极点幅值,由此估计出低信噪比时的多子带融合信号。结果表明所提方法在仿真环境下,在信噪比-20 dB至10 dB时,相较于传统极点模型方案具有更好的估计结果。     

无人机载多传感器集成与数据融合

介绍了无人机在情报、监视和侦察(ISR)领域的作用,分析研究了无人机(UAV)载传感器的种类、特点、集成特性及组合使用方式,说明了无人机载多传感器集成与数据融合的优点、功能组成.针对无人机载传感器的特点分析了多传感器组合、体系结构和特点,介绍了其主要算法,提出了发展趋势.     

多传感器数据融合在舰艇防空中的应用

以舰艇防空为背景,对防空作战中目标指示环节和舰空导弹武器系统作战使用环节中多传感器数据融合的应用进行了分析。分析包括舰艇平台信息的收集、目标指示信息的转换、融合的预处理及分布式融合处理等过程。分析之后建立了数学模型,并进行了仿真。仿真结果表明,融合后目标指示的精度和导弹制导数据的精度有明显的改善,有利地保证了防空作战的顺利进行。     

数据融合在现代雷达引信中的应用研究

介绍了数据融合的基本理论和实现技术,分析了防空导弹现代雷达引信设计中的数据融合问题。利用多传感器数据融合方法建立了雷达引信数据融合结构模型。应用MSPDAF数据融合算法进行数学仿真,并给出仿真结果。     

网络学习模式识别移动代理因素提取方法研究

从分析网络学习因素的角度出发,提出了利用数据融合理论和使用移动代理技术解决网络学习模式识别的问题。详细分析了网络学习模式中的主要因素,针对网络学习模式识别提出了使用移动代理(MA)进行因素提取的方法。同时运用数据融合技术中分布式缠绕判决模型进行描述,从而使有效地获取网络学习者的学习状态变为可能。也对网络学习因素提取MA的执行环境进行了具体阐述。设计了因素提取MA体系结构,分析了因素提取的执行过程,采用ATP层代理传输协议作为移动代理系统的应用层协议,负责学习模式识别的因素提取。     

一种用于雷达网目标状态融合的算法

针对目前雷达情报自动化系统中雷达网目标状态融合存在航迹不连续、情报信息利用率低等问题,综合运用了神经网络和军事运筹学理论和方法,给出了一种用于雷达网目标状态融合的算法.结果表明,利用本方法使融合后的目标轨迹与目标真实运动轨迹非常接近,有效地提高了雷达情报的综合质量.     

多雷达多目标航迹跟踪中FMM神经网络的应用与仿真

提出了一种基于Fuzzy Min-Max (FMM)人工神经网络的多雷达多目标航迹跟踪的方法。仿真应用的实验结果表明,这种方法能够有效地完成多雷达多目标的数据融合,并比较理想地实现了多雷达多目标的航迹相关。     

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.     

战场要素的认知处理

针对多弹编队飞行时如何判断当前复杂战场环境下的战场态势问题,采用层次分析法、属性识别理论方法和数据融合的方法,研究了实时认知处理战场要素模型问题。首先,对复杂战场要素进行分析,对这些战场要素进行分类;对不同的战场要素分别建立数学模型;然后,采用层次分析法和属性识别理论方法对导弹认知的数据进行评估,得到数据的精度评估等级后,采用数据融合方法对数据进行融合,得到融合后数据,以此对导弹中的数据进行实时更新。最后,将所建立的战场要素模型进行实例化仿真,仿真结果表明该方法的有效性。     

复杂环境下多雷达点迹融合

针对系统误差、杂波干扰等对点迹融合处理系统的影响,结合工程实践,提出了一种处理复杂环境下多雷达点迹融合结构框架,给出了存在系统误差情形下的多雷达航迹起始、虚假目标抑制、雷达误差配准等模型和算法。仿真结果表明,提出的框架、模型和算法能够有效处理多雷达点迹融合问题。