递归时空信息融合技术及其在毫米波与红外目标识别中的应用

本文使用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ技术讨论了递归时空信息融合的集中（或分配）算法。与Ｂａｙｅｓ算法相比，Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ技术具有较强的处理信息的不确定性的能力。集中算法是将所有信息汇集于中心处理器中进行处理；而分配算法则是依靠各分散的分处理器分担运算量，这样可增加计算能力。改进的算法可有效地应用于采用两种探测器的目标识别；毫米波辐射计、红外搜索和跟踪探测器。     

多传感器目标识别的数据融合

本文针对军事上的目标识别问题，论述了多传感器的属性融合技术，包括属性融合的概念，原理，处理结构，算法及应用举例，指出属性融合中存在的主要问题，难点及可能解决的途径，并预测了未来发展趋势。     

数据融合处理中的目标识别技术

目标识别数据融合技术是数据融合处理技术的一个基本应用，对目标识别数据融合技术做了详细的介绍，并重点分析了证据推量（D－S）和聚类分析这两种目标识别方法。     

一种基于多传感器时间—空间信息融合的红外小目标识别方法

为了提高强干扰条件下的红外弱小目标识别的可靠性，提出了一种基于多传感器时间－空间信息融合的红外小目标识别方法，并采用D－S证据合成理论对来自多个红外双波段成像传感器的实际图像信息了仿真融合计算。仿真结果表明该方法对强干扰条件下的红外弱小目标具有较高的识别效率。     

目标探测.识别和跟踪的传感器数据融合

多传感器组合系统数据融合技术是当代探测，识别领域的一项新技术，本文在介绍多传感器组合与数据融合技术优点的基础上，介绍了成像激光雷达与前视红外传感器数据融合技术，重点介绍了红外行扫描器和红外成像摄像机的数据融合技术。     

多传感器目标的模糊识别

根据模糊理论，采用信息融合技术和模糊识别技术，讨论了在多类传感器网内进行多目标模糊识别的一般原理和方法。     

基于目标识别的光电多传感器信息融合技术

针对军事上的目标识别问题，论述了光电多传感器信息融合技术，包括光电多传感器信息融合的概念，原理，算法及应用。指出了光电多传感器信息融 存在的主要问题及解决方法，并预测了发展趋势。     

基于异质传感器的空间目标融合识别系统设计

在空间目标识别中有电磁、光度、红外、无线电等多种传感器信息可以利用,不同类型的传感器获得的信息在时域、频域和特征域上的冗余和互补,可以提高识别的正确率,扩展识别的时间和空间覆盖范围,而对于复杂的空间目标识别问题,不可避免的要用到多种分类方法,这些分类器的自动优化组合是融合识别获得良好性能的关键.本文分析了空间目标分布式传感器信息处理系统中的单传感器优缺点,并设计了基于多级增强融合结构的空间目标融合识别方案,给出了其系统级融合的软件设计.该方案能根据不同传感器和分类器的性质自动的对其进行优化组合,充分开发多分类器系统的潜力、提高异质多传感器融合识别的效率和稳健性.     

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。     

多传感器数据融合中基于目标识别的DS算法研究

由于多传感器数据中对目标的描述通常存在或多或少的模糊、相驳、遗缺等现象,在多传感器数据融合处理中如何对目标进行有效可靠的识别,是一个备受关注的难题。本文对多传感器数据融合处理中基于ＤＳ算法的目标识别问题进行了较深入的探讨,利用ＤＳ算法对不确定性信息的推理判断机制,为解决上述难题提供了一种有效的方法。     

中长波红外成像识别跟踪与制导技术的发展概况

本文以中长波红外成像探测系统，信号处理系统和目标识别与踊跃系统为前提，论述中长波红外成像识别跟踪与制导技术的应用现状和发展趋势。     

多传感器数据融合目标识别算法综述

多传感器数据融合作为一种特殊的数据处理手段在目标识别领域得到了较大的重视和发展.在介绍多传感器数据融合目标识别基本原理及其算法理论依据基础上,从概念分类方面,对目前多传感器数据融合目标识别算法进行了全面综述,包括参数分类算法、基于认识模型的算法、物理模型算法及多类算法综合识别法等,说明了各算法特点及对其的进一步改进,列举了目前国内外一些已经发表的重要算法,为下一步多传感器融合目标识别研究提供了一定的理论依据.     

天基红外传感器弹道导弹中段目标识别技术分析

分析了美国天基跟踪与监视系统(STSS)对弹道导弹目标的红外探测能力,在此基础上分析了基于天基红外传感器的弹道中段目标红外识别方法,论述了中段目标温度、平均温度变化率、谱分布、姿态运动和辐射方向图等特征提取方法,提出了中段目标光学多传感器融合识别策略,给出了一些仿真计算结果.     

红外目标检测与识别技术研究

在图像分析和目标识别技术中,图像分割和特征提取是两个非常关键的问题。但是往往会由于对目标分割的不够准确和完整,导致特征提取变得很困难,首先采取自动多门限算法对图像初步分割,再利用二维直方图准确划分出目标,最后利用组合概率的方法将区域的分散度、不变矩进行综合,实验结果表明对五类目标的识别效果十分明显。     

基于多特征融合的弱小运动目标识别

利用单个特征识别强噪声中的弱小运动目标,常因所提取的目标特征与噪声特征易混淆而导致高的虚警率.提出一种新的基于多特征融合的弱小运动目标识别方法.分析了弱小运动目标的连续相关性、面积及质心位置偏移这三个特征的可靠性及提取方法,对获取的特征值进行归一化后采用多特征融合的方法构造更具有鲁棒性的联合特征,确定了以具有最大多特征融合值为真实目标的决策方法.通过与采用单一特征的目标识别方法进行比较,证明了提出的多特征融合方法能更准确地识别弱小运动目标.     

基于红外双波段图像融合的点目标识别

为解决红外警戒系统中点目标的识别问题,提出了一种新的点目标识别方法。该方法 首先分别对单波段红外图像进行背景预测与抑制,然后对取自适应阈值后的双波段图像根据目标的运动特征进行融合,最后通过图像序列分析给出最终的目标识别结果。仿真实验表明,该方法对背景有很好的抑制效果,可大大减少目标识别中候选目标点的数目,因而有利于点目标的识别。     

多传感器数据融合非合作目标识别技术研究

采用Dempster-Shafer证据推理法，融合判决算法，在模拟的单站多传感器系统中，进行计算机仿真，仿真结果证实所采用的技术可以有效提高目标识别的可信度。     

红外图像中的小目标的处理方法

本文寻求一种合适的算法以完成对红外图像中运动小目标的提取、识别以及跟踪工作。该算法可以满足运算量小、实时性强和硬件实现容易的要求。经过归纳总结,有以下几种方法可供进一步研究、选择。     

基于模糊贝叶斯网络的空中目标多传感器融合识别研究

为了对充满不确定性与模糊性的空中目标识别数据进行处理,提高空中目标多传感器融合的准确性和可靠性,提出以模糊贝叶斯网络为基本结构的多传感器数据融合模型.该模型能够对清晰连续变量通过模糊化和去模糊化操作变换成离散变量,而且基于模糊贝叶斯网络的建模方法能够组合多种证据进行不确定性表达和推理.通过详细分析空中目标识别的推理规则,建立了空中目标识别的贝叶斯网络拓扑结构,提出了贝叶斯推理算法对多种证据进行融合计算的模型.识别实例表明该模型能够融合不同信息源的数据,有效地提高空中目标识别的效率.