自适应航迹融合算法研究

本文主要推导了多传感器下航迹融合的自适应航迹融合算法,自适应融合算法的最大优点是对系统特性的变化具有自动适应能力。     

基于LMMSE估计的多传感器目标航迹融合

介绍一种基于线性最小均方差（LMMSE）估计的多传感器目标航迹融合方法。这种方法适于分布式多传感器目标跟踪系统，它具有LMMSE估计器的许多优点。同时，由于它考虑了因公共的目标动态过程噪声引起的估计误差的非独立性的影响，因此，它比基于独立性假设的方法更精确。     

带反馈信息的分布多传感器航迹融合算法

为了改善传感器级的跟踪性能,本文研究带反馈信息的多传感器状态估计技术,在给出有、无反馈信息情况下的局部节点状态估计解的基础上,该文提出多坐标系中有、无反馈信息情况下的航迹融合方程,并指出有、无反馈信息情况下的两种融合解是等价的、最优的。仿真结果表明,在分布式多传感器信息融合系统中引入反馈机制可以明显改善局部节点估计精度,其性能又接近融合中心。在集中和雷达反隐身系统中,就空间重叠、覆盖而论,融合系统     

基于纯方位信息的多传感器航迹融合仿真分析

对于现代战场环境来说,多传感器信息融合越来越重要。但是由于不同传感器性能存在差异,使用不同的关联方法会造成航迹关联正确率不同,航迹关联正确是航迹融合有效的基础,因此需要深入研究。首先理论分析了异类传感器航迹融合性能的主要影响因素及其影响程度,提出了异类传感器航迹关联方法。仿真结果表明,提高传感器测量精度、降低异类传感器测量精度差异、提高异类传感器航迹关联正确率将会改善航迹融合的效果。     

基于跟踪质量熵的分布式组网雷达航迹融合算法

针对分布式多传感器融合系统中,传统的航迹融合算法未充分考虑不同传感器探测跟踪性能不同带来的航迹质量的不确定度差异,导致融合后的航迹质量下降的问题,提出了一种基于跟踪质量熵的航迹融合算法。首先,构建融合中心所有局部航迹的跟踪质量熵模型,根据熵大小排序并划分不确定度等级;然后,选择质量熵排序队列的航迹作为参考数列,利用灰度理论对不同局部节点的来自同一目标源的航迹进行聚类;最后,将聚类后的航迹,根据不确定等级进行分群融合,并把不确定等级较低的航迹融合后的状态反馈至各局部节点进行局部融合。该方法提高了局部节点的跟踪质量,增强了航迹融合的正确性,仿真验证了该方法的可行性和有效性。     

基于多阶差分损失全卷积网络的航迹融合算法

针对传统的航迹融合算法高度依赖先验信息的问题,文中提出了一种基于多阶差分损失全卷积网络的航迹融合算法。融合中心首先对各局部航迹进行时空配准和航迹关联;然后通过全卷积结构设计,避免了传统卷积神经网络模型中由于全连接层的使用导致参数量大、训练难度大的问题;最后通过计算航迹及其一、二阶差分的加权损失,实现了更高精度的融合结果。消融实验表明文中提出的航迹融合算法模型小、收敛性强、精度高、运算时间适中。仿真实验表明,文中算法不需要先验信息,当噪声参数无法准确估计时,算法融合精度优于方差加权融合算法和扩维卡尔曼滤波融合算法。实验结果证实了所提算法的有效性和可行性。     

带有反馈的分布式结构下的无序航迹融合算法

随着无序量测算法研究的不断深入, 分布式系统中的无序航迹融合估计问题也已经引起了研究者的关注。针对带有反馈的分布式结构下的无序航迹问题, 提出了基于递推融合NALE判决机制的融合算法。算法采用递推融合NALE判决机制, 在融合中心递推处理周期内无序到达的局部估计。而后, 在系统融合周期结束时刻将全局估计反馈到局部处理器。通过理论分析和仿真实验说明算法可有效处理无序航迹问题, 同时提高了系统稳定性和实时性。     

多传感器融合多目标跟踪中的序贯航迹关联算法

对于分布式多传感器融合多目标跟踪系统,提出一种序贯处理的航迹关联融合算法。为实现杂波干扰环境中对密集多目标的精确跟踪,航迹关联采用了粗、精关联相结合的方法,最小均方误差法用于实现航迹融合。序贯处理的航迹关联融合算法在保证航迹关联正确的同时,大大降低了计算量。仿真实验结果说明了本文方法的有效性。     

基于多传感器探测精度的正确融合航迹判断

融合航迹与真值航迹的正确相关性判断是进行多传感器数据融合性能评估的基础,传感器的探测精度对融合系统的性能具有较大影响。文中提出了一种新的融合航迹判断技术,通过计算参与融合的各传感器探测精度,并作为融合航迹与真值航迹之间相关性的距离判断阈值,提高了判断的处理效率和准确度。通过工程应用,证明了算法的可行性。     

基于MHT的多传感器数据融合算法

提出了一种基于多假设跟踪算法(MHT)的分布式多传感器数据融合算法,可进行航迹的更新、删除、保持及初始化等一体化操作,既适用于点迹融合,也适应于航迹融合.这里描述了算法的主要处理流程,指出了分布式多传感器数据融合的MHT实现中面临的技术难题.仿真测试和实装测试结果验证了基于MHT多传感器数据融合算法的可行性和实用性.     

基于无源定位的多目标航迹融合技术研究

针对无源定位系统定位误差大、数据更新率不规则等问题,研究了一种通过定位数据辅助信息特征进行多目标航迹融合的新方法。该方法利用信号侦察获取的目标辅助信息作为航迹关联判决准则,并与传统的航迹关联方法相结合,从而实现了对侦察区域内多目标的航迹融合。对该算法的性能分析和仿真验证表明,新算法具有更好的航迹融合性能,更强的通用性和可扩展性;并且在密集多目标环境下可实时、有效地跟踪几十批次的目标。     

基于CNN的QuickBird遥感影像融合研究

为了充分利用QuickBird多光谱影像的光谱信息和全色影像的高空间分辨率信息,提出了一种基于细胞神经网络（CNN）的QuickBird多光谱和全色遥感影像融合方法.实验结果表明,相对于传统的影像融合算法,提出的方法具有更好的性能.     

一种自适应天波超视距雷达航迹融合算法

 针对天波超视距雷达在雷达坐标系下跟踪目标时,多路径传播效应下的各模式航迹起始与终结时刻不同而造成航迹缺失条件下的航迹融合问题,本文给出一种自适应天波超视距雷达航迹融合算法,通过应用当前时刻获得的新信息与历史时刻获得的信息联合确定最优关联假设,从而获得最优的目标状态估计.仿真表明,与多假设航迹融合算法相比,本文的算法大大降低了融合结果误差.     

基于CNN的SAR图像目标和场景分类算法

随着合成孔径雷达（Synthetic Aperture Radar, SAR）成像技术的发展和SAR图像数据的急剧增加,SAR图像解译技术成为了当前的研究热点。针对SAR图像的目标和场景分类问题,提出了一种改进的基于卷积神经网络的图像分类算法。为克服卷积神经网络训练过程中因数据量不足而出现的过拟合问题,采用数据增强人工增加训练样本的大小;针对高层卷积层参数过多的问题,采用一种多尺度卷积模块替代高层的卷积层;在输出层采用卷积和全局均值池化的组合替代传统的全连接层,大幅度减少了网络参数。网络训练阶段,通过误差反向传播来更新网络参数。针对MSTAR数据集和高分辨率的机载SAR图像分别进行目标及场景分类,实验结果表明该算法实现了较好的分类性能。     

基于深度学习与特征融合的人脸识别算法

卷积神经网络在人脸识别研究上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征。针对此问题,文中提出一种基于深度学习与特征融合的人脸识别方法。该算法将局部二值模式信息与原图信息相结合作为SDFVGG网络的输入,使得提取的人脸特征更加丰富且更具表征能力。其中,SDFVGG网络是将VGG网络进行深浅特征相融合后的网络。在CAS-PEAL-R1人脸数据库上的实验表明,将网络深浅特征相融合与在卷积神经网络中加入LBP图像信息与原图信息相融合的特征信息对于提高人脸识别准确率非常有效,可得到优于传统算法和一般卷积神经网络的最高98.58%人脸识别率。     

基于卷积神经网络的红外与可见光图像融合

非下采样剪切波变换(NSST)域中低频子带的融合需要人工给定融合模式,因此未能充分捕获源图像的空间连续性和轮廓细节信息.针对上述问题,提出了基于深度卷积神经网络的红外与可见光图像融合算法.首先,使用孪生双通道卷积神经网络学习NSST域低频子带的特征来输出衡量子带空间细节信息的特征图.然后,根据高斯滤波处理的特征图设计了基于局部相似性的测量函数来自适应地调整NSST域低频子带的融合模式.最后,根据NSST域高频子带的方差、局部区域能量以及可见度特征来自适应地设置脉冲耦合神经网络参数完成NSST域高频子带的融合.实验结果表明:该算法QAB/F指标略弱于对比算法,但SF、SP、SSIM以及VIFF指标分别提高了约50.42％、14.25％、7.91％以及61.67％,有效地解决了低频子带融合模式给定的问题,同时又克服了手动设置PCNN参数的缺陷.