差异特征指数测度的红外偏振与光强图像多算法融合

为了提高红外偏振与光强图像多算法融合的融合图像质量,提出基于差异特征指数测度的红外偏振与光强图像多算法融合。首先,根据图像间差异特征,提出指数型差异特征测度;然后,针对差异特征类型,选取具有互补性的多个融合算法;最后,通过对差异特征测度去相关处理,确定不同算法的权重,实现算法间的最优化组合。实验结果表明,所提算法融合图像的主观评价和客观评价相对于传统融合算法具有显著优势。     

基于ORB的多机器人SLAM地图融合算法

针对传统基于地图融合的多机器人同时定位与地图构建(Simultaneous Localization And Mapping,SLAM)算法实时性和准确性不高的问题,提出了基于ORB(Oriented FAST and Rotated BRIEF)的地图融合算法。首先提取栅格地图的ORB特征并找到最优的匹配点;然后计算地图最优匹配点集的单应矩阵,找到点集之间的最优仿射变换参数;最后,通过点对之间的偏仿射变换矩阵得到地图融合的转换关系,完成子地图的融合。搭建了基于树莓派的多机器人平台,通过将算法应用到实际多机器人系统,验证了算法的有效性、实时性和鲁棒性。     

模糊自组织神经网络及其在信息融合目标识别中的应用

本文重点研究了在目标识别领域中信息融合技术的神经网络模型,针对特征层融合的高维数、量纲不统一、信息表达方式差异等特点,利用模糊自映射神经网络来实现特征间的有效融合。经实验仿真证实,这一融合方法较单源识别正确识别率提高７个百分点左右     

基于DBN-TOPSIS法的空中目标融合威胁评估

针对已有空中目标威胁评估方法主观性强、稳定性弱、评估过程不连续的问题,综合考虑目标运动特性与目标属性,提出了一种基于动态贝叶斯(dynamic bayesian network, DBN)和逼近理想解法(TOPSIS)的融合威胁评估方法DBN-TOPSIS。通过分析来袭目标特征指标间的依赖关系,建立空中目标威胁评估指标体系。采用模糊理论处理连续型特征指标,统一指标形态,利用DBN进行动态威胁度等级概率推理。构造模糊DBN推理结果与TOPSIS评估矩阵之间的映射关系,采用TOPSIS法将威胁评估概率一维向量转换为确定数值,进行空中多目标威胁度准确排序。实验结果表明,融合威胁评估方法具有较好的合理性和稳定性。     

一种新的证据K-NN数据分类算法

K近邻分类算法已被广泛应用于模式识别中。为了有效处理识别问题中的不确定信息并提高数据分类精度,提出了一种新的证据K-NN(NEK-NN)分类算法。首先从总的训练集中随机重复采样来构造多个训练样本子集。在每个训练子集中,利用目标数据与其各个近邻的距离分别构造基本置信指派,并根据K个近邻数据在每个类别中的数目来对构造的置信指派进行加权。然后,利用DS规则对加权证据融合。根据每个训练子集下融合结果的算术平均值来判断目标的类别属性。通过模拟数据集和真实数据集的实验,将NEK-NN算法与其他几种常见的方法做了对比分析,结果表明NEK-NN算法能够有效地提高分类的精度。     

多特征融合文本聚类的新闻话题发现模型

融合新闻命名实体、新闻标题、新闻重要段落、文本语义等多特征影响,提出基于多特征融合文本聚类的新闻话题发现模型。模型根据新闻的多特征影响,提出一种多特征融合文本聚类方法。该方法针对新闻标题、新闻重要段落等特征因素构建向量空间模型及相似度算法,基于潜在狄利克雷分配模型构建主题空间模型及相似度算法,针对命名实体构建命名实体模型及相似度算法,并将三种相似度算法形成最优融合。基于多特征融合文本聚类方法,模型改进了用于新闻话题发现的Single-Pass算法。实验是在真实新闻数据集上开展的,实验结果表明:该模型有效地提高了新闻话题发现的准确率、召回率和综合评价指标,并具有一定的自适应能力。     

参照化流形空间融合学习的敏感特征提取与异常检测方法

针对遥测振动信号冲击强、响应周期短、共振频带宽和小样本等特点导致异类模式识别率低的问题,提出基于参照化流形空间融合学习的敏感特征提取与异常检测方法。采用多尺度分析方法将信号正交无遗漏地分解到各尺度带中,提取多尺度特征构造高维特征集;以相同的正常信号样本结合相同类型的异常样本建立专属参照化模型单元,采用线性流形学习获取各参照化模型单元多尺度流形特征差异,增强异常特征的敏感性。融合各参照化模型单元的投影矩阵对原始特征集进行升维再学习,获取低维多尺度敏感流形特征;输入到分类器实现对未知样本状态辨识。实测信号处理结果验证了算法的有效性。     

一种面向目标的伪彩色图像融合算法

针对远距离红外与可见光融合图像中目标不突出的问题,提出了一种面向目标的伪彩色图像融合算法。基于目标特征将红外图像分割为目标区域和背景区域,以人类视觉的生物机理和感受野的数学模型为基础,利用差分高斯函数(Difference of Gaussians,DOG)模拟视觉拮抗特性,对目标区域和背景区域用改进的感受野模型和不同的彩色映射规则进行伪彩色图像融合。实验结果显示:该算法能够保留图像共有特征,突出独有特征,融合图像色彩自然、目标突出,具有良好的视觉效果。     

多模态交叉解耦的少样本学习方法

当前的多模态少样本学习方法忽视了属性间差异对正确识别样本类别的影响。针对这一问题,提出一种利用多模态交叉解耦的方法,通过解耦不同属性语义特征,并经过特征重建学习样本的本质类别特征,缓解类别属性差异对类别判别的影响。在两个属性差异较大的基准少样本数据集MIT-States和C-GQA上进行的大量实验表明,所提方法较现有方法有较大的性能提升,充分验证了方法的有效性,表明多模态交叉解耦的少样本学习方法能够提升识别少量测试样本的分类性能。     

神经网络模型对传感器数据融合的应用

本文描述科霍内(Kohonen)特征映射神经网络模型对于战术和传感器数据融合的应用。用来自现代海军环境的例子评述由数据融合提出的问题。强调了用于海军作战自动监视和支持的目标和任务识别。作为基于神经网络的系统的可应用领域评述了科霍内特征映射模型,研究了它在实际应用中的限制,讨论了如何解决这些问题。描述了使用科霍内特征映射作为基本单元的两个不同的模块化神经网络体系结构和它们应用于数据融合的比较。     

基于粒子滤波的多异步传感器检测前跟踪算法

针对弱目标检测跟踪问题,提出了基于粒子滤波的多异步传感器检测前跟踪算法。该算法通过对粒子的状态进行时间和空间递推,将雷达对于目标位于不同时刻的回波幅值映射到同一个粒子的权重中,从而通过对粒子状态及权重的融合,将多雷达的回波幅值信息进行融合,并在此基础上实现对目标的检测跟踪,获得目标航迹。仿真试验结果表明,与单雷达效果相比,所提算法能够有效提高目标跟踪精度和目标正确发现概率。     

对几种不同维数据融合方法的仿真对比研究

在多雷达系统组网对空情报处理中,不同的数据融合方法在融合精度、求解时间及计算量方面都有较大差异。为了验证不同融合方法的融合效果及系统处理时间和性能,分析了多雷达系统组网对不同维数据融合处理的映射法、升维法、分维法的融合框架和融合算法,并分别进行了计算机仿真,得出并分析了对比数据。仿真结果表明了分维法在数据融合中的优势。     

具有集值H-半-伪单调映射的广义向量变分不等式解的存在性

首先推广向量集值半一单调映射到向量集值H-半-伪单调映射,然后利用Kakutani—Fan—Glicksberg不动点定理,研究了具有集值H-半-伪单调映射的广义向量t变分不等式问题,在自反Banach空间中得到了两个存在性结果。     

基于SOM神经网络的坦克作战效能评估

坦克作战效能评估是一个多属性评估问题,通过建立自组织特征映射神经网络(SOM)的坦克作战效能评估模型,通过该模型的二维拓扑有序映射图,可以清晰地观察到不同型号坦克的作战效能特征;并通过MATLABR2010a训练、仿真,对我国某型坦克的作战效能进行相似性预测评估。     

基于LBP-PCA的多传感器目标识别算法

为了更加有效地提高多传感器图像融合后的识别率,提出一种基于LBP-PCA的多传感器目标识别算法。首先分别对红外和可见光图像进行预处理用以突显出要识别的目标,采用LBP算法提取目标的特征点向量,利用PCA算法进行特征融合,得到降维后的融合特征,最后利用SVM(支持向量机)进行分类和识别。实验仿真结果表明多传感器目标经过LBP-PCA融合后在保持足够数量的有效信息基础上降低了特征的维数,有效地提高了目标识别率。     

无监督神经网络的潜艇对空战术意图识别

传统的通过遥感系统获取空中目标信息,解析出目标战术意图的方式,需要大量的专家评估计算网络节点及权重,具有速度慢,耗费大等缺点。为了降低潜艇对空战术意图识别时间,发挥无监督学习神经网络的计算能力。利用遥感获取的空中目标属性与目标战术意图形成训练样本训练神经网络,获得输入目标属性的阈值及竞争层神经元间的关系,建立输出函数,识别空中目标的战术意图。仿真结果表明,竞争神经网络与自组织特征映射(SOFM)神经网络训练的测试样本的输出值与真实值相对应,准确度较高。     

上、下半连续性关系及其在经济上的应用

上、下半连续性在数学中的重要性不言而喻,在微观经济分析中也有着广泛应用,特别是静态优化问题。分别在单值映射、集值映射中探讨了上半连续性和下半连续性的关系。先证明了单值映射上、下半连续性等价的结论(定理1),并利用引理1对常见函数的上、下半连续性进行了探讨以进一步说明定理1;然后通过举反例进行论证,得出了集值映射中上、下半连续性不等价的结论(定理2);最后例举了上、下半连续性在数理经济上的应用,具有创新价值。通过对数理经济学中参数约束最优化问题的最大值定理(引理2)条件和结论所做的两点注记,并附以具体实例予以解释,说明了单、集值映射中上、下半连续性的关系,以及在数理经济上的重要应用。     

用多维数据互联的有效多传感器融合

本文介绍多目标跟踪的用多维数据互联的多传感器融合算法的发展。这项工作是受大规模监视问题的推动,在这种监视问题中,来自具有不同采样间隔(电子扫描阵(ESA)雷达)的异步传感器观察值用于集中式融合。用多维分配的多传感器融合的综合,对于由分配算法处理的S个表,除了“传感器宽度”外,还要使“时间层次”最大化。在有S个传感器的情况下,将来自最近到达的S-1个帧的量测值与已经建立的航迹互联的标准方法可能有零时间层次。对于S维数据互联(S≥3),所介绍的新技术保证最大效率,即对于没有损失融合重叠传感器的每一个传感器,保证最大时间层次(S-1)。使用滑窗(长度为S)技术,在每一个量测帧之后更新估计。对于使用具有多维分配数据互联的多传感器融合,该算法提供多目标跟踪的自动航迹形成、保持和结束的系统方法。对于一个大规模空对地目标跟踪问题,介绍了使用模拟数据的估计结果。     

基于偏差映射聚类的目标关联方法

多传感器目标关联是确定不同传感器系统观测的若干信号是否来源于同一目标,它是现代多传感器系统中的一个重要问题。传统的关联方法通过计算不同观测间的关联代价,通过求解代价矩阵最优解来获得关联匹配,但是容易受到环境和传感器性能的影响。提出了一种基于偏差映射聚类(bias mapping cluster,BMC)的目标关联方法,通过对多个传感器间观测目标偏差映射点进行聚类,搜索局部密度最大的映射点集作为传感器间的目标关联结果,走出了利用数学方法求解全局最优解的传统模式。相较其他传感器间目标关联方法,仿真结果表明该方法能有效利用目标观测的空间散布特性,关联正确率更高,并对虚假目标和目标失配等情况具有更强的适应性。     

基于Vague集加权距离的空中目标类型判别方法

针对已有空中目标类型判别方法存在的不足,提出一种基于Vague集的类型判别新方法。给出了目标类型参数权值计算方法,有效避免了传统的方法造成的主观偏差。根据空中目标类型划分标准,应用Vague集多属性模糊决策理论,构造了Vague集加权距离函数,建立了基于Vague集的空中目标类型判别模型。最后通过实例分析验证,该方法判别结果准确,对科学决策具有一定的参考价值。