基于D-S证据理论的空中目标识别

提出了一种基于D-S证据理论的空中目标识别方法.该方法首先对目标特征进行提取,然后根据提取的特征利用模糊C均值聚类的方法进行基本概率分配,最后利用D-S组合公式进行融合识别.实例验证了算法的有效性.     

双色红外成像传感器时空信息融合的空间点目标识别方法

针对干扰条件下的空间点目标识别问题,提出了一种基于双色红外成像传感器时-空信息融合的空间点目标识别方法,并采用Ｄ-Ｓ证据合成理论对来自两个红外成像传感器的实际图像目标信息进行了仿真计算。结果表明该方法对强干扰条件下的红外点目标具有理想的识别效率。     

基于G2的数据融合与目标识别系统

随着现代战争的规模日趋庞大,作战环境日趋复杂,多传感器数据融合技术已成为必然的发展趋势。介绍一种基于D S证据理论的目标自动实时识别系统。系统采用有反馈的全并行融合系统结构,以分级式D S证据推理为数据融合算法,最终实现一个图形化的目标识别系统。仿真结果表明系统可以快速准确地对多个目标进行识别。     

基于信息融合的海洋溢油识别判据的研究

首先对融合算法的类别进行了介绍,并结合海洋环境的特点进行算法选择.将决策层D-S证据理论融合算法应用到了海洋溢油识别判据中,在对原理进行分析的基础上,通过实验给出了不同环境下融合前后的溢油识别正确率的比较和结论分析.     

基于神经网络与D-S证据理论的多传感器目标识别技术

为了满足目标识别的需要,多传感器的数据融合技术已经成为研究的热点。D-S证据理论是多传感器信息融合中最常用的一种处理不确定问题的方法,在基于D-S证据理论的目标识别融合中,基本概率赋值的获取是一个难点。使用神经网络中应用最广泛的BP神经网络来求基本概率赋值,再结合D-S理论进行目标识别。结果表明这种方法可以提高战场目标识别的可靠性,降低识别结果的不确定性。     

基于D-S证据理论的多模复合制导目标识别

多传感器信息融合已成为现代条件下目标识别的重要手段.研究基于D-s证据理论的多传感器信息融合算法,提出一种基于Dempster-Sharer理论的推广方法以解决融合信息的证据冲突问题,并将其用于红外成像/毫米波复合制导系统,进行目标识别的决策信息融合,结果比较理想,能够有效地化解证据间的冲突问题.     

采用粗BP神经网络和D-S证据理论的目标识别

为克服传统的目标识别方法的不足,提高目标识别的实时性和准确性,提出将粗BP神经网络与D-S证据理论相结合的识别模型.在多传感器数据融合中利用粗集理论对大量的传感器数据进行处理,对输入信息进行约简,剔除冗余信息,简化了生成规则和BP神经网络模型结构,提高了网络训练速度和运行速度.以BP神经网络输出作为证据,后端对不同传感器的证据用D-S证据理论进行融合,得到待识别目标的识别概率.实验表明该模型减少了识别的主观因素,简化了BP神经网络结构,提高了运算速度和识别效果.该混合模型有比较好的应用前景.     

机载雷达和红外数据融合的智能目标识别

为了提高机载传感器目标识别系统的性能,提出了利用机载雷达和红外成像传感器数据融合的智能目标识别算法.对红外成像传感器,采用了基于小波矩特征和BP神经网络的目标识别算法,首先提取目标图像的小波矩特征并进行特征选择,然后通过BP神经网络对目标图像进行识别;对雷达传感器,提出了利用模糊推理的目标识别方法,首先选取适当的雷达特征,然后通过模糊推理进行识别:从雷达和红外传感器识别算法分别得到待识别目标所属类别的基本概率分配函数,用D-S证据组合规则将两个基本概率分配函数组合,最终实现了机载雷达和红外传感器的数据融合.仿真结果表明:融合后的识别效果优于单个雷达或红外传感器的识别效果.     

目标识别决策层融合神经网络算法研究

该文针对毫米波／红外传感器融合目标识别问题,提出一种新的用于决策层目标识别的神经网络融合算法。该网络结构新颖,网络训练时修改的是门限而不是连接权值,融合后的识别率可比毫米波和红外子源提高９．７％和１１．３％,因此该算法是有效可行的。     

基于最大隶属度与证据理论的目标识别融合

为解决各传感器的类型、精度,外界干扰以及不同传感器对不同目标敏感程度的不同对目标识别的决策结果的影响,通过运用智能信息处理和多源信息融合的相关知识建立了基于最大隶属度与证据理论的目标识别融合模型.该模型首先分析了影响目标识别的因素;然后各雷达站依据最大隶属度选取了不同的权重,从而求出了所测目标相对于目标库中参考目标的隶属度,并将得到的本站对目标的决策结果进行归一化处理后送往了融合中心.研究了比较常用的对不确定信息进行处理的D-S证据理论法,并深入分析了其证据合并规则与决策规则.在融合中心运用了D-S证据理论的有关知识进行融合,最终输出了融合后的目标识别的决策结果.实例证明了该目标识别融合模型的可行性.     

基于小波神经网络的遥感信息融合处理

文章提出一种小波神经网络的遥感图像融合算法,在特征级对遥感信息进行融合.并针对小波网络的“维数灾”问题,通过采用改进的遗传算法对时频相位点进行优化选择,从而确定小波网络的隐层节点数目乃至整个小波网络.仿真结果表明利用该方法设计的小波网络具有网络结构小、收敛速度快的优点,证明了该方法在处理遥感信息上优于经典算法.     

基于Dempster-Shafer证据推理的多传感器信息融合技术及应用

本文详细阐明了基于D-S证据推理的多传感器信息融合的原理及目标识别的方法.同时,介绍了其在雷达目标融合识别中的应用.     

基于D-S证据理论的网络表示融合方法

随着网络表示学习技术的发展,在网络结构信息的基础上,越来越多的研究者考虑融入额外辅助信息来提升网络表示效果.针对现有网络表示学习方法中对于多属性特征融合缺乏冲突判别与评价指标的问题,本文在已有研究基础上,提出一种基于D-S证据理论的网络表示融合方法.本方法首先通过SVM算法给出不同属性信息对融合表示结果的支持度,然后利用证据组合规则计算网络表示学习中的融合评价指标,并依据混淆矩阵考虑各类别在节点分类中的局部可信度.在3类数据集上的仿真实验表明：本方法对于检测网络表示融合中的冲突,提高表示融合效果具有一定的指导意义.     

电路板故障诊断中神经网络信息融合技术的应用

将信息融合技术应用到导弹电子设备的电路板故障诊断之中．提出了一种基于红外热成像实验的温度故障隶属度函数构造形式以及改进的BP神经网络算法。进行了BP神经网络信息融合故障诊断的实验研究．从结果看信息融合能较好地解决电路板元件故障诊断的不确定性问题。     

海上目标的主、被动传感器信息融合

多传感器信息融合已经被应用到许多领域,但用于海上目标的识别和融合的文章并不多,本文主要是针对海上目标进行的.利用NN算法,给出一个新的门限.通过航迹关联和决策融合(D-S证据推理)对海上目标进行判别,可以提高识别舰船的概率.最后进行信息融合,进而提高目标识别的精度.最后给出了今后的工作.     

基于神经网络的数据融合方法

作为一种新的方法体系,人工神经网络具有分布并行处理、非线性映射、自适应学习、较强的鲁棒性和容错等特性,这使得它在模式识别、控制优化、智能信息处理以及故障诊断等方面都有广泛的应用。本文对BP神经网络模设计、建立及训练进行了深入的讨论,研究了基于BP神经网络的数据融合的优缺点。     

一种多传感器信息融合点目标识别方法（二）

提出了一种多传感器信息融合识别空间复杂弹道式目标及其伴随诱饵的识别模型。将人工神经网络和确定性理论结合起来，以神经网络的输出代替应用确定性理论所需的有关领域专家的知识和经验，并用确定性理论进行不同空域和时域的信息融合。仿真结果表明，经过融合后，大大改善了识别效果。     

D-S证据理论在多传感器信息融合中的改进

详细阐明了多传感器信息融合的一种方法——D-S证据理论，他是一种处理不确定性问题的有用方法，但是D-S证据理论组合规则的一些不足影响证据理论的应用，通过深入分析，针对该方法的不足提出了一种修正的组合方法，这样不仅能够用于组合冲突比较大的证据，而且能够根据各条证据所包含的不同信息量进行自适应加权组合，改进了基本D-S证据理论的组合准则，提高了其融合性能，并通过实例证明了该方法的有效性。