两类典型多目标跟踪算法的性能分析与比较

在处理目标跟踪的两类主要方法中,一类是通过数据关联来解决,如PDA和JPDA等;另一类则是绕过关联直接处理,如随机集、GM-PHD等。该文从两类典型方法中各选取一种有代表性的方法,如JPDA与GM-PHD,首先通过分析两种算法主要步骤的计算量,得到相应算法总计算量的解析表达式;然后根据观测与目标状态之间关联复杂程度,分3种情况对两类算法的计算量进行比较;最后以仿真说明算法的跟踪效果,并以算法运行时间来验证计算量公式的正确性。     

随机集理论及其在信息融合中的应用

多源信息融合经过近20年的发展已经取得了丰富的理论成果和应用成果,但是其理论框架尚未建立。近几年由Mahler提出的有限集合统计学(FISST)理论随机集理论的特例,从概率论角度统一表述了信息融合技术的主要方面。该文对近十几年随机集信息融合技术的发展加以回顾,主要包括随机集理论的产生背景、基本的思想和理论框架,以及当前的应用领域。最后指出了随机集理论将来可能的发展方向。     

一种新的广义梯形模糊数相似性度量方法及在故障诊断中的应用

当前,研究模糊数(Fuzzy nmnber,FN)或广义模糊数(Generalized fuzzy mumber,CFN)之间的相似性度量方法,大多用于度量论域在单位区间上的标准模糊数.然而在实际中,非标准模糊数却十分常见,而利用现有的多数方法则须先将其转化为标准模糊数再加以处理.但是,归一化的过程会因引起信息损失致使...     

基于pignistic概率距离的冲突证据合成方法

Dempster Shafer证据理论在数据融合中有着广泛的应用.但当证据之间高度冲突时,应用DS证据合成公式往往会得出错误的结果.在现有的证据合成改进方法中,均使用冲突系数k来度量证据之间冲突的程度.最新的研究表明:影响证据冲突的因素不仅仅是冲突系数k,还和证据的pignistic概率距离等因素有关.在原有的冲突系数k之上,引入pignistic概率距离,提出了一种新的冲突证据合成方法.仿真结果表明:当证据之间的冲突小时,合成结果近似于D-S证据合成公式,当证据之间的冲突较大时,这种方法在公式模型上比其他方法完善,冲突证据的合成结果更加合理.     

基于随机集理论的多源信息统一表示与建模方法

 由于信息形式的多样性及其特征的复杂性,使得对不确定、未知性、非精确和不完全等类型信息的表示和建模都要通过相应的方法完成,由于方法的不统一,从而很难实现对异类信息的融合.所以,能否找到一种统一的理论实现多源异类信息的表示与建模,最终实现融合成为信息融合中的关键问题.众多研究者经过多年的探索发现,随机集理论有望解决这个难题.本文首先对各种多源信息进行分类,并介绍几种常用的表示和建模方法及其适用范围;随后引入随机集理论的基本概念和性质,综合论述该理论与已有方法之间的相互转化关系,并进一步论证用随机集统一表示和建模多源信息的可能性;最后,介绍随机集理论在信息融合中的应用并指出未来的发展方向.     

基于模糊故障特征信息的随机集度量信息融合诊断方法

该文给出一种基于模糊故障特征信息随机集度量的信息融合诊断方法。针对信号采集与故障特征提取中的模糊性,首先用模糊隶属度函数分别表示故障档案库中的多种故障样板模式和从不同传感器观测中提取的多类故障特征亦即待检模式,进而基于模糊集的随机集模型,得到样板模式与待检模式的匹配度,即基本概率指派函数(BPA)。然后利用Dempster-Shafer证据组合规则对BPA进行融合,给出诊断结果。该文给出的待检模式是从多个连续观测中提取的,与原有的由单个观测确定待检模式的方式相比,文中提出的特征提取及匹配方法,同时考虑了样板模式和待检模式所具有的模糊性,能够显著降低融合决策中的不确定性,大大提高故障识别的能力。最后通过电机转子故障诊断实例验证方法的有效性。     

基于证据相似性度量的冲突性区间证据融合方法

基于证据相似性度量,该文提出一种冲突性区间证据融合的新方法。首先,定义了扩展型Pignistic概率转换,将区间证据转换为区间型Pignistic概率。利用区间模糊集的归一化欧式距离,求取区间型Pignistic概率之间的相似性,以此确定两两证据间的相似度矩阵,从中获取区间证据的置信度。然后,基于该置信度对原始的区间证据进行加权平均得到新的区间证据,利用Demspter区间证据组合公式对其进行融合。该方法可以有效地减弱高冲突性区间证据在组合规则中的作用,从而减小融合后所得区间证据的宽度,最终可降低决策中的不确定性。最后通过多个典型算例验证了经冲突处理后再对区间证据进行融合,要比直接融合能够产生更为合理和可靠的结果。     

基于模糊多特征递归分组算法的隐树结构图模型学习

隐树结构图模型通过引入了隐藏节点来描述变量之间的潜在关系,因而可以更好地对变量之间的相关性进行建模。树模型学习过程中,从变量观测数据所提取的有用特征数量,决定了该模型对变量间深层关系的建模能力;而现有学习算法都是对观测数据直接计算统计量来进行模型学习,未能按观测数据中的特征分类处理。针对现有算法对观测数据中信息利用不充分的不足,该文提出基于模糊多特征递归分组算法的隐树模型学习方法。首先,将变量的原始观测数据通过反映其特征的模糊隶属度函数转化成多个模糊特征,并构造多维模糊特征向量;其次,计算两两变量模糊特征向量之间的距离,并将其综合得到所有变量之间的模糊特征向量距离矩阵;最后,基于该距离矩阵,利用递归分组算法学习隐树模型。该文还将所提算法应用于股票收益数据和气温数据建模,验证了该文算法的实用性和有效性。