基于分辨力的融合目标识别系统中的传感器管理方法研究

针对融合目标识别系统传感器管理过程信息不确定性的特点,首次提出了一种基于分辨力的目标识别系统中的传感器管理方法.该方法从分辨力的角度出发,利用D-S证据理论进行推理,在满足约束的条件下,依据使系统预测识别分辨力最大的原则进行优化,实现传感器资源的管理.实验仿真证明了该方法的有效性和合理性.     

基于传感器融合技术的高压开关柜缺陷识别

高压开关柜是变电站的重要设备之一,对其进行绝缘缺陷检测能够保证系统供电的可靠性。基于此,首先制作了四种开关柜典型模型,并搭建了试验平台;其次采用传感器融合技术同时获取暂态地电压信号和脉冲电流信号;再次采用粒子群优化的多维支持向量机算法进行缺陷识别;最后分别针对TEV信号、脉冲电流传感器信号以及组合信号的缺陷识别,与神经网络识别算法进行对比,结果表明,基于传感融合技术的开关柜缺陷识别的准确率达到96.7%,证明缺陷识别算法的准确性。     

基于粒子群优化的传感器管理算法研究

本文在分析基于二进制粒子群优化的传感器管理算法缺点的基础上,通过对粒子的降维处理和位置矢量更新式的改进,提出了一种基于实值粒子群优化的传感器管理算法.并针对中段弹道目标跟踪这一特殊应用背景,分析跟踪的约束条件,提出了一种新的优化目标函数.通过对中段弹道目标跟踪典型场景下的仿真实验分析,给出了目标函数加权系数的优选方案,并对所提方法的性能和适用范围进行了详细分析和比较.仿真实验表明,基于实值粒子群优化的传感器管理算法是一种更加高效的方法.     

基于粒子群优化的传感器预分配方法

针对实时传感器管理算法的局限,在深入分析传感器管理问题本质特征的基础上,提出一种传感器静态预分配方案。然后,以低轨星座目标连续跟踪为应用背景,提出一种基于修正粒子群优化的传感器预分配方法。仿真实验表明,所提方法虽然需要较长时间的静态分配过程,但是其实时运算效率明显高于实时传感器管理算法,因而给上层系统设计留下更多富余时间。      

基于矩阵遗传的传感器管理算法

针对传感器分配过程中出现的组合爆炸问题,以传感器管理中的分配矩阵作为种群中的个体,分配矩阵中的元素作为基因进行遗传,提出了一种基于矩阵遗传的传感器管理算法。仿真结果表明,采用矩阵遗传的传感器管理算法可以较好地解决传感器分配中的组合爆炸问题,可以使多传感器多目标跟踪取得较好的效果。     

基于混淆矩阵的全方位角雷达目标识别

基于高分辨径向距离像HRRP(High Resolution Range Profile)的目标识别一直是雷达目标识别研究的重要方向.HRRP的目标姿态敏感性极大地影响了识别性能,尤其是全方位角目标识别的性能.本文提出一种基于混淆矩阵的分类方法,采用支持向量机(SVM)作为基本的两类分类器(Binary Classifier),使用HAC(Hierarchical Agglomerative Clustering)构造了一个基于"错误纠正"策略的两层层次化分类器(Hierarchical Classifier).实验表明,在复杂度增加不大的情况下,识别性能得到了相当程度的提高.     

机载雷达红外传感器集中式融合与管理

提出一种机载多传感器集中式序贯融合与管理的方法.传统扩展卡尔曼滤波融合算法滤波精度不高,因此先利用雷达传感器的量测,采用修正扩展卡尔曼滤波算法对目标状态进行估计,再把估计值作为红外传感器的预测值进行序贯融合.在此基础上采用分辨力增益的方法对传感器进行管理.仿真结果表明该方法能够提高对目标的跟踪精度,增强跟踪系统对环境变化的适应能力.     

基于粒子群优化算法的传感器优化部署方法研究

针对目前三维空间传感器部署算法PSO算法存在寻优精度、全局收敛性和收敛速度不能保证的问题,提出了通过惯性权重线性递减策略与动态加速常数自适应策略改进的基于粒子群的WCPSO优化算法,有效地提高了算法的寻优精度和收敛速度。给出了算法的设计方案并进行了来袭路径未知和来袭路径预估情况下的仿真实验,仿真实验结果表明WCPSO算法的优化效果和效率都要优于改进前的PSO算法。     

基于无线传感器网络的调制识别方法

针对传统单节点调制识别存在阴影和多径问题,提出了一种利用无线传感器网络进行分布式协同调制识别的方法。首先由相互协作的传感器节点提取信号的五个典型特征构成特征矢量,将特征矢量发送到中心节点,在中心节点通过粒子群算法对人工神经网络进行参数优化,最后利用训练好的神经网络进行分类识别,得到识别结果。对6种信号进行了仿真,结果表明该方法在信噪比大于5 dB且测试样本数大于50时,最终的识别率超过了90%,验证了将粒子群算法应用于神经网络参数优化进行分类识别可以有效提升识别性能。     

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上,针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题,提出了一种新型的粒子群优化(PSO)算法与后向传播(BP)神经网络相结合的算法.BP网络算法权值的修正依赖于非线性梯度值,易形成局部极值,同时学习次数较多,需先通过粒子群算法进行优化.为了提高定位精度,首先采用速度常量法滤波处理,然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化,并分析算法的性能.试验中隐层节点个数采用试错法,从12到19变化,以确定合适数目.实验结果表明,与一般加权算法和传统BP算法相比,改进的混合优化算法可大幅改善测距误差对定位误差的影响,同时可使25 m内最小定位误差小于0.27 m.     

基于粒子群算法的车间作业调度问题

通过对车间调度问题的描述,针对传统算法寻优效率低的弱点,提出了一种基于粒子群算法的车间作业调度问题的解决方案.对粒子群算法的基本原理进行了阐述,并对粒子群算法的编码、参数的选择以及解码进行了研究,以最小化最大流程时间作为评价算法的性能指标,将其用于编程求解典型调度问题.仿真结果表明,粒子群算法在求解车间作业调度的应用上是十分有效的.     

Multi-parameter identification of power line communication channel model based on matching pursuit

The over-complete atom dictionary is designed on the basis of typical multi-path transmission function of power line communication (PLC) channel, and matching pursuit (MP) algorithm is used for multi-parameter identification of the channel. First, the sampling data were obtained from the measured result of low-voltage PLC channel within the range from 300 kHz to 6000 kHz, which help us to develop a model for the PLC channel. Then, in order to reduce the computation complexity of MP algorithm to identify the multi-parameter of PLC, genetic algorithm (GA) is applied to effectively search for the best atom at each step of MP in the dictionary of atoms. From the multi-parameter identification result with three or four paths channel models, it demonstrates that the combined algorithm based on MP and GA can acquire more evaluation precision of PLC channel than that of GA and particle swarm optimization (PSO) algorithm respectively. Meanwhile, the more numbers of channel paths in the process of multi-parameter identification, the better will be the curve fitting result compared to the experiment. The experimental results have validated the efficiency of the combined MP–GA algorithm that proposed in this paper.     

一种粒子群优化原型模式修正力度的协同分类方法

协同模式识别是一种有着抗噪声、抗缺损、强鲁棒性等诸多优良特性的模式识别方法,其中原型模式的选取模式识别结果有着决定性的作用,其选取直接决定着模式识别的结果和效果,各种方法中信息反馈修正的方法能获得较的效果,但易出现信息饱和的问题;提出了一种粒子群优化修正力度的处理机制,能有效改善此问题,获得最优原型;改进的算法应用于纹理和鼻咽癌细胞图像识别,结果表明,该方法能有效地提高协同神经网络的识别率和可靠性,且识速度也有提高.     

基于进化策略改进的D-S证据识别算法

提出了处理多传感器证据冲突的新方法,建立了获取传感器权重的优化模型,运用粒子群优化算法（PSO）求解传感器的权重分配,对Dempster—Shafter（D-S）证据理论进行改进。通过与其它改进算法的比较以及目标识别实例的仿真,验证了新方法的有效性和优越性。     

基于传感器参数和改良CPD算法的红外与可见光图像点云配准

为实现前下视红外图像与可见光图像的有效配准,提出了一种基于传感器参数和改良CPD算法的红外与可见光图像自动配准算法.首先,利用传感器的姿态和高度信息,对前下视红外图像进行几何透视校正,消除图像间的旋转和比例缩放等差异;然后,对可见光图像和校正后的红外图像提取边缘特征点,基于相似变换模型,利用改良的CPD算法对其实现精配准.实测数据验证表明,该方法能实现对红外与可见光图像的良好配准,配准精度达到1个像素左右.     

基于离网格结合粒子群算法的稀疏阵列综合

针对大型稀疏阵列未知期望方向图的综合问题, 提出了一种基于离网格结合粒子群算法的方法综合稀布阵列单元位置以使增益最大化.该方法在粒子群算法的基础上, 再次在网格单元中进行梯度寻优, 能快速找到增益最大时对应的阵元位置且无需已知期望方向图.该算法对稀疏阵列综合效果良好, 增益提升显著且扫描过程中栅瓣抑制良好.通过对综合结果进行HFSS全波仿真对比, 数值仿真结果与综合结果基本一致, 证明了该方法的正确性.     

基于粒子群优化与梯度下降法的多模图像配准

针对多模图像配准单纯使用粒子群优化(PSO)算法导致搜索速度慢这一现象,提出了结合PSO和梯度下降法的分步式搜索算法.以CT与MR图像配准为例,计算了使用互信息作为相似性测量时的配准函数,进而分析了图像配准算法中可能遇到的局部极值问题.根据配准函数的特点,提出在局部极值较少时使用梯度下降法代替PSO算法搜索以减少运算量...     

一种基于粒子群优化算法的快速圆检测方法

为了实现以较少的内存资源,快速而准确地进行圆 检测, 提出一种基于粒子群的快速圆检测方法。方法中,以每个粒子作为一个候选圆,采用优化策 略,以粒子 运动、融合更新等操作完成圆的检测。优化策略包括提出使用一种图像分块的策略限 定圆检测的感兴趣区 域,各个图像块的大小由各个块内粒子的生成结果决定,以起到抑制部分噪声的作用。为减 少生成无用粒子的概 率,提高检测效率,提出融入图像金字塔的思想,并以循证的方法对粒子的有效性加以验证 。实验结果表明,本文 方法对于检测手绘的、嵌套的、不完整的或包含有大量噪声的圆,均能起到较好的检测效果 ;能 够在较短的时间内排除众多干扰,准确地进行圆的检测,具有检测速度快、内存消耗小和适 用范围广等优点。