数据融合技术在CGF建模中的应用

提出了将数据融合技术应用到计算机生成兵力 (CGF)建模中的思路和方法。在分析数据融合技术的基础上 ,深入讨论了卡尔曼滤波和最小二乘相结合的滤波方法以及一种改进的离散Hopfield神经网络 ,并结合一实际系统 ,建立了模型 ,给出了仿真结果。结果表明 ,数据融合技术和CGF建模相结合具有一定的应用前景和研究价值。     

一种新的雷达与ESM相关算法

雷达与ＥＳＭ相关问题,是军事多传感器数据融合中的一个重要课题。本文采用粗、细判决技术并应用统计理论对雷达与ＥＳＭ进行了相关研究,给出了相关算法。仿真结果表明了该算法的有效性和实用性     

多传感器信息融合技术述评

近十几年来,多传感器信息融合技术获得了普遍的关注和广泛的应用,其理论与方法已成为智能信息处理的一个重要研究领域。本文概述了信息融合的基本原理,从系统的信息层次和功能划分两个方面阐述了信息融合的基本结构,并对信息融合的具体方法及应用进行了层次化概括,较完整地展示了这一研究领域的全貌。最后进一步分析了信息融合研究领域所存在的一些主要问题,以此指明这一研究领域的发展侧重点。     

具有指定误差协方差的相关域预测方法

利用协方差控制的理论和方法,研究了Ｃ３Ｉ系统中航迹数据融合的未来点相关域预测问题,提出了根据格定预测误差协方差来确定目标航迹未来点所处的相关域位置及大小的新方法。该方法具有实时性好、计算量小的特点。仿真结果表明了该方法的可行性。     

多传感器信息的表决融合

介绍了一种多传感器信息综合方法─—表决融合。这种方法的前提是各传感器自身的处理器完成对各自的原始探测信息的处理,处理结果以合乎要求的形式输入融合中心,以便融合中心能以表决的形式进行融合处理。由于融合中心没有复杂的信息处理任务,因此,十分便于工程实现。作为例子,本文给出的是一个３传感器目标检测系统,每个传感器都定义了置信级别。融合中心的工作就是利用各传感器的检测结果和相应的置信水平来进行融合处理的。最后,还对文献１进行了探讨。     

子弹散布中心正态总体分布参数的融合估计

对带有均匀抛撒子弹头的常规导弹的命中精度评定 ,其关键在于子弹散布中心分布参数的准确估计。通常的方法由每次试验的子弹落点数据获得一个子弹散布中心 ,再由少数的几个散布中心数据、运用经典的统计方法求散布中心的正态总体分布参数 ,其不足之处在于小样本条件下采伪的概率很高。考虑到子弹散布中心只是子弹落点数据的一阶矩 ,并不能充分表达子弹落点数据所蕴含的信息量 ,而子弹落点个数远远大于导弹试验的次数 ,子弹落点所蕴含的信息比子弹散布中心所蕴含的信息要丰富得多。鉴于此 ,研究了一种子弹散布中心总体分布参数融合估计的新方法     

军事数据融合概念方法研究

现代战争中,要保持信息优势,必须建立适合新环境的指挥控制信息系统。但是信息超载,信息的不完整和不确定等情况对信息系统的设计提出了新的挑战。结合当前信息融合框架和实践的经验,提出了数据建模和管理的五维结构:空间(x,y,z),时间(t)和可能的世界(w),基于系统的目标和准确的需求分析,提出了一个军事信息系统设计的框架。用数据分析、数据融合方法和推理技术来完成数据的获取和资源的管理,提出增加具有优化能力的智能组件实现系统的学习能力,提高系统的性能。     

基于KALMAN滤波的两种多传感器观测融合方法

目前有两种基于K a lm an滤波的多传感器观测融合方法,方法1是将观测向量的维数增加,获得扩展观测向量。方法2是在最小均方误差准则下,对不同传感器间的观测向量进行加权运算,获得与单个传感器相同维数的观测向量。通过对滤波器的状态估计误差协方差的分析和相关数学表达式,给出了两种方法的对比。仿真结果表明,当两个传感器的观测矩阵相同时,两种方法在功能上等价,但方法2的运算复杂度低。当两个传感器的观测矩阵的维数相同,但其值不相等时,方法1优于方法2。当两个传感器的观测矩阵的维数不同时,只能用方法1,而方法2失效。     

目标识别系统中的一种多传感器数据融合算法

Dempster证据组合规则在D-S证据理论中具有十分重要的作用。但在将Dempster证据组合规则应用于多传感器数据融合时,理论上仍有值得探讨之处。在对Dempster证据组合规则进行分析的基础上,提出了解决目标识别系统中多传感器数据融合的“一次Dempster联合法”,避免了原有算法中需多次采用Dempster证据组合规则来计算的问题,从而减少了计算量。     

基于特征融合的刀具磨损监测方法

提出了一种基于特征融合的刀具磨损监测方法,将该方法应用于铣刀磨损监测取得了较好的效果,文中论述了特征融合方法的基本思想,多传感器信号的特征关联、抽取及正规化处理,作为融合中心的神经网络的构造及训练等内容。实验分析表明,该方法实现刀具磨损监测是行之有效的。