无线传感器网络中数据流异常数据的联合估计算法

为保证无线传感器网络数据的完整性,针对数据流中存在异常数据的问题,提出了一种基于BP神经网络和多元线性回归的联合估计算法。首先,将存在异常数据的数据流作为样本输入,利用神经网络的非线性拟合能力对异常数据进行估计。然后,通过相邻的传感器节点数据建立多元线性回归模型,对异常数据进行估计。最后,根据两种算法在不同情况下的误差大小,调整它们各自在异常数据估计中的权重,计算出最接近真实值的估计值。以Berkeley Intel实验室的传感器数据为实验数据,通过Matlab软件对本文方法进行测试并分析仿真结果,实验结果表明文中提出的方法能对异常数据进行有效估计,并且具有较高的可靠性和稳定性。     

Agent目标判别的神经网络-证据理论法

重点研究了目标识别领域中证据理论与模糊神经网络相结合的多Agent数据融合方法.作为传统Bayes理论的推广,证据理论由于满足更弱的信息来源条件,尤其是在区分不确定与未知方面显示了很大的灵活性,因此备受关注.然而,基本可信度的分配是一个与实际应用密切相关的问题,也是较难操作的一步.本文通过对模糊神经网络的训练来处理证据理论的基本可信度分配问题,经计算机仿真表明这是一种行之有效的方法.     

基于D-S证据理论的机载雷达模糊识别方法

针对机载雷达信号的复杂性和模糊性等特点,提出一种D-S(登普斯特-谢弗)证据理论和模糊理论组合应用的方法用于对机载雷达的识别。通过对信号的积累和对信任度(模糊隶属度)的重新分配,有效地解决了机载雷达信号的不确定性问题以及如何利用信号在时间上的冗余信息问题,提高了信号的正确识别率。仿真实验和正确识别率的统计结果验证了这种方法十分有效。     

地面防空火力单元基于D-S理论选择反导防御手段

在现代战争中,飞航导弹发挥了重要作用,取得了巨大的作战效能。地面防空火力单元面临着如何合理使用防御措施、正确选择干扰手段加强对飞航导弹防御的问题。提出一种把基于D-S理论的数据融合技术应用于地面防空火力单元选择干扰手段进行反导防御的方法。结果表明,利用D-S理论可以较好地选择对飞航导弹的干扰手段。     

利用时间谱信息融合的空中目标分类算法

时间谱信息(目标的航迹、速度、机动性、空间坐标信息)揭示了目标空间状态随时间的变化特性,从而可利用目标的时谱简化(或缩小)待识别目标的范围。将低分辨雷达测量得到的高度、速度、加速度作为目标特征,建立典型空中目标对各特征的模糊隶属函数,进而采用改进的证据推理进行分类判决。结果表明利用时间谱信息可为雷达空中目标识别提供有效辅助手段。     

接敌前基于D-S理论的空战意图预测

接敌前是指敌机刚进入我方预警系统的探测范围(一般为400 km),并截获敌机,获得了敌机的运动参数,对敌机进行实时跟踪。为了完成对敌机目标意图的预测,为接敌前的自主决策打下基础,在D-S证据理论的基础上,选取合适的态势元素,分析各态势元素对敌机意图的影响,建立了目标意图预测模型,该模型具有一定的表达性和准确性。仿真实验表明,使用该模型能在敌机相距较远时以一定的准确性判断敌机的意图,实用性强,为接敌前基于意图预测的自主决策留出足够的时间。     

一种新的基本概率函数构建方法及应用

针对Dempster-Shafer(D-S)证据推理中基本概率赋值函数的构造问题,基于模糊聚类分析给出了一种新的构建方法.将它应用到雷达目标识别的仿真实验中,并与灰关联法相比较,结果表明该方法切实可行,不仅提高了基本概率赋值的准确性和稳定性,而且利用了数据的结构信息,有效缓解了证据的冲突.     

引入权重因子的证据合成方法

D-S理论是一种有效的不确定性推理方法,但在证据完全冲突或冲突较大时,D-S证据合成公式失效.Yager等学者对此作了改进,但是改进后合成公式又存在着新的问题.考虑到证据在合成过程中的重要程度不同,将权重因子引入到合成公式中,通过权重因子的作用和冲突概率的重新分配,提出了引入权重因子的D-S证据合成方法,新的合成公式提高了证据合成的可靠性和合理性,可得到更为理想的合成结果.     

基于Demster-Shafer证据融合的战场态势判断模型

战场态势是指挥员制定作战计划、实施作战部署的主要依据,长期以来战场态势主要依靠指挥员和参谋人员的作战经验来判断,判断结果的可信性与适时性难以得到保证.在战场态势问题分解的基础上,针对各子问题相关信息"模糊性"大的特点,通过隶属函数进行处理,并采用Demster-Shafer证据融合模型融合决定性相关信息,实现战场态势的快速准确推理.最后,在这一模型的基础上利用计算机仿真进行了态势图景推理示例.