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"当前"统计模型的分段模糊跟踪算法

分析了"当前"统计模型的自适应跟踪特性,界定了其适用机动范围.提出了一种根据目标机动强弱分段调节系统方差,且在各机动段内基于新息变化强度又实时模糊调节方差的自适应跟踪方法.该方法从宏观、局部及微观多层次动态调节系统方差,兼顾了跟踪的快速性和精度.仿真结果表明,在目标机动较强时,首先提高跟踪快速性,使其快速稳定,再着重改善精度;机动较弱时,平稳提升跟踪精度,微调其快速性.该方法取得了较好的跟踪效果.     

多模型估计的新分支——变结构多模型方法

作为多模型方法的新分支,变结构多模型方法(VSMM)是当前机动目标跟踪、故障诊断等领域中研究的热点.首先简述了VSMM方法的发展过程和近期动态,在对VSMM方法进行深入分析的同时针对其理论核心--模型集自适应(MSA)策略进行讨论;详细介绍了几种现存的典型VSMM算法;同时简述了VSMM方法的应用概况;最后指出了目前VSMM方法重点关注的问题热点和今后的研究领域.     

基于纯方位量测的三维运动目标可观测性研究

通过建立纯方位量测系统的状态方程和测量方程,利用伪线性化方法,将非线性测量方程转换成线性形式,再利用奇异矩阵的性质,获得一种基于可观测性定义和特征值分解法相结合的定量确定纯方位量测系统可观测性的方法,得出可观测的充要条件.此项成果对于分析运动目标跟踪的机动策略具有重要意义,可推广到对多种运动目标的三维被动跟踪研究中.