分布式多目标跟踪中的数据融合问题——一种新的相容性准则及融合过程分析

用一个新观点讨论了利用分布式传感器网络进行多目标跟踪中出现的信息融合问题。对航迹相容性和假设相容性的判别问题 ,从一个新的观点 ,即“无矛盾原则”出发 ,给出了完整的与前人不同的航迹和假设相容性的判别条件。同时对航迹的融合过程和假设的融合过程做了详细的分析 ,证实两个假设相融合得到多个全局假设是合情合理的     

改进的拉格朗日松弛数据关联算法

在多传感器多目标跟踪领域中,当传感器为被动式的,传统的多维分配算法利用拉格朗日松弛算法求解.拉格朗日乘子更新一般用次梯度方法,但每次迭代都要进行多次极小化运算来求对偶解,导致实时性差.针对这个问题,提出了一种改进的基于拉格朗日松弛的数据关联算法,通过代理修正次梯度方法更新拉格朗日乘子,并在允许时间内获得近似解.仿真实验...     

屏蔽数据在新型截尾样本下系统的可靠性分析

当系统含有屏蔽数据时,在具有随机移走逐步增加型截尾模型下,讨论了部件寿命服从双参数指数分布的串联系统可靠性估计问题。设随机移走系统数服从二项分布,利用极大似然方法,Bayes理论及方法,推导出双参数指数部件参数、系统可靠性函数、失效率函数及移走概率的极大似然估计和Bayes估计。并利用Monte Carlo方法对两种估计结果进行了比较,表明Bayes估计较极大似然估计效果更优。     

机载多传感器角度融合跟踪结构与算法

未来战机的作战环境要求机载多传感器数据融合系统在仅有角度测量信息情况下仍须具有稳定的目标跟踪能力.对机载多传感器的角度融合跟踪系统的结构和算法进行了研究,分别给出了两个传感器同步测量时的集中式状态估计算法和异步测量时不损信息量的混合式状态估计算法,即顺序滤波方法,并对相应算法进行了仿真验证.     

含有约束数目顺序旁路站的环网

用以前的图论技术与代数技术相结合的一种新技术来获得环形拓扑网络的闭合形式终端对可靠性表达式。双向反旋转环网使用自愈合和站旁路开关,其中的所有部件(站、链路和旁路开关)都可能出故障,对这样的环网导出闭合形式终端对可靠性表达式,以此来说明这种技术的可应用性。由于光功率损失约束引起的网络配置限制,这些表达式明显地扩展了环网可靠性在以前工作的效用。光功率损失约束限制了以FDDI环或同步光纤网络(SONET)环为代表的光纤拓扑网络中顺序旁路站故障的数目。组合的图论和代数技术允许利用n中选K:F系统可靠性的已知结果,以导出闭合形式的终端对可靠性表达式。 其结果是形成网络可靠性分析的新方法,并明显地把已知理论扩展到以前不分析的新情况。特别是,这里开发的组合的图论和代数分析工具允许环网设计者分析环网结构的可靠性,以前认为这样的环网结构太困难而不能用闭合形式表达式来分析,只能求助于通过仿真的可靠性近似。我们在推导双反向旋转环网中终端对可靠性的闭合形式表达式中使用这种新技术。这种新技术也可用来有效的获得更复杂的环网结构中的闭合形式表达式。     

一种基于IMM/MSPDAF的多传感器数据融合目标跟踪算法

基于交互式多模型和多传感器联合概率数据关联算法的机动目标跟踪,先用融合算法将红外和雷达的量测进行融合,然后利用融合后的数据,采用交互式多模型机动目标跟踪方法实现对机动目标的跟踪。仿真实验验证了算法具有良好的机动目标跟踪效果。     

基于中间件平台的异构数据交换与集成

针对数据共享过程中数据可能来自不同的途径,提出了一种基于中间件技术的统一平台异构数据库数据交换模型.该模型基于驱动映射,当数据从数据库传送到XML文档或从XML文档传送到数据库时,用一个具体模型实现数据交换.其方法是将XML文档表示为由数据对象构成的树,每一个元素类型和对象模式中的对象相对应,即模式和模式之间的映射.文...     

敌我识别系统及其进展

从敌我识别系统的应用背景出发,综述了敌我识别系统的发展历程,分析了各种敌我识别系统的特点,比较了毫米波敌我识别系统和激光敌我识别系统的性能,指出了数据融合技术和微米/纳米技术对敌我识别技术发展的重要性.相关研究内容对敌我识别系统的论证、技术体制的选择有参考价值.     

多传感器数据融合算法综述

数据融合就是利用多传感器的协合效应来提高系统效率,它是现代Ｃ３Ｉ作战系统的关键技术之一．阐述了多传感器数据融合的特点、分布检测、空间、属性融合、态势评估和威胁估计算法,并同时介绍一些关键课题．     

2022年深度学习技术主要发展动向分析

深度学习正逐渐成为新一代人工智能最核心的技术之一。对2022年深度学习热门领域的主要发展动向进行了综合评述。首先,介绍小数据小样本深度学习研究领域的最新进展;其次,探讨量子计算与深度学习的融合路径;然后,概述强化学习对通用智能的推动作用;最后,盘点深度学习在多模态学习方向的进展。综述表明,面向小数据、小样本的深度学习技术正在引领深度学习向自监督方向不断迈进,深度学习与其他先进计算范式（例如量子计算等）深入融合趋势愈发明显,强化学习在一定程度上具备解决复杂问题的通用智能,多模态深度学习技术已迎来关键性突破。