基于Kohonen神经网络的多传感器数据关联算法

提出了一种基于Konhonen神经网络的多传感器多目标跟踪数据关联算法，该方法是将多传感器的测量数据进行自组织聚类，从而实现测量数据的关联，利用融合估计完成对多目标的状态估计，计算机仿真结果表明了该算法的有效性。     

基于改进Kohonen神经网络的多传感器关联融合算法

把一种基于Kohonen神经网络模糊聚类方法运用到多传感器多目标数据关联中来,该方法能对多传感器的测量数据进行自组织聚类,把测量数据准确地划分到各个类别中去,从而实现测量数据的关联。计算机仿真结果表明,该方法运用到多传感器多目标数据关联中来具有明显的优越性,能克服传统算法的错跟漏跟现象。     

基于Kohonen神经网络的多传感器数据关联算法

提出了一种基于Konhonen神经网络的多传感器多目标跟踪数据关联算法,该方法是将多传感器的测量数据进行自组织聚类,从而实现测量数据的关联,利用融合估计完成对多目标的状态估计.计算机仿真结果表明了该算法的有效性.     

多目标跟踪中的神经网络方法

本文分析了多目标跟踪的经典方法，讨论了该经典方法的组合爆炸问题，陈述了多目标跟踪中的神经网络方法，此法不仅可以解决传统方法带来的组合爆炸问题，从而实现时多目标跟踪，而且还可以解决跟踪精度问题，提高跟踪的准确性。     

基于自组织神经网络的多目标跟踪方法

本文陈述了多维Kohonen网络和网络的学习算法，提出了一种使用多维Kohonen网络求解多目标跟踪问题的神经网络方法。仿真结果表明Kohonen网络能够用于求解多目标跟踪问题，克服了传统方法的组合爆炸问题，提高了跟踪速度和精度。     

多传感器用于多目标跟踪的优化分配方法

在多传感器对多目标的监视环境下,传感器对目标的优化分配是多传感器数据融合的重要研究内容。采用目标跟踪过程中信息增益最大的优化准则,探讨了多种约束条件下多传感器对多目标的优化分配问题,并对优化分配算法进行了实验仿真验证。     

基于混沌神经网络的多目标跟踪技术研究

本文应用混沌神经网络求解多目标跟踪中的数据关联问题,给出了混沌神经网络的模型,构造了数据关联的能量函数表达式,在数据关联过程中,采用退火算法。仿真结果表明,应用混沌神经网络求解数据关联比Hop fie ld网络具有更块的收敛速度和更小的关联误差。     

基于Hopfield神经网络的雷达多目标跟踪

针对海上船舶雷达在多目标跟踪过程中实时性较差和不能快速响应的问题,提出目前密集杂波情况下多目标跟踪中最为有效的数据关联算法——联合概率数据关联(Joint Probabilistic Data Association,JPDA)算法。为解决JPDA随着目标增多的情况会出现的组合"爆炸"及计算量较大导致跟踪实时性较差的问题,从分析联合概率数据关联确认矩阵着手,依据Hopfield神经网络在解决旅行商问题(Travelling Salesman Problem,TSP)时的思路,提出基于Hopfield神经网络联合概率数据关联(Hopfield Neural Network Joint Probability Data Association,H-JPDA)来改进联合概率数据关联算法,通过简化矩阵拆分过程,显著减少计算量,提高跟踪的实时性。基于上述改进的神经网络联合概率数据关联算法,通过MATLAB对多目标跟踪进行仿真,仿真结果表明该算法能提高跟踪的实时性和快速响应能力。     

多传感器目标识别的神经网络与证据理论结合方法

FMM人工神经网络在模式识别和分类中具有独特的优势，D—S证据理论在多传感器决策融合上具有优势。提出了一种FMM神经网络与D—S证据理论相结合的多传感器数据融合目标识别方法，给出计算机仿真结果，表明该方法可以克服单一传感器ATR系统的局限性，提高对目标的识别率和系统的容错性。     

神经网络在多目标分布式融合中的应用研究

提出了适合分布式多传感器多目标(MSMT)数据融合估计算法，对这种推广的分层融合估计算法进行了数学推导和描述，研究了利用神经网络进行MSMT跟踪融合的网络结构和算法，进行了计算机模拟仿真。仿真结果表明神经网络融合估计可提高跟踪精度，并且这种融合方法是有效的。     

分布式水下多传感器多目标模糊跟踪融合方法

水下多传感器多目标跟踪系统往往是一个不同类传感器融合系统,且其目标航迹包含有不确定和模糊信息.本文首先利用模糊隶属度函数和模糊逻辑推理技术,进行分布式水下多传感器多目标航迹模糊融合关联决策,并利用有效数据处理和分层融合估计相结合的方法,以实现不同类传感器高精度融合跟踪估计.     

基于扩展卡尔曼滤波的多传感器目标跟踪

系统所处环境的复杂性使得现在科技对目标跟踪精度的要求越来越高,而且单传感器状态的估计已经无法满足系统感知外部环境的需要。在此,研究了基于扩展卡尔曼滤波的多传感器目标跟踪方法。仿真表明,扩展卡尔曼滤波对于非线性系统跟踪的效果更好。     

求解多目标跟踪中数据互联问题的数字网络结构研究

在多目标跟踪情况下,求解数据互联问题要求计算把第i个量测分配给第t个目标的概率βi^t。该文阐述了求解数据互联概率βi^t的神经网络方法,介绍了具有神经元网络结构的数字实现,并分析了该神经元网络结构的稳定性和收敛性。     

基于高阶模糊神经网络及D-S证据理论的数据融合系统

高阶神经网络具有容量大、逼近能力强、容错范围广的特点,模糊系统具有较高的模糊语言处理能力,D-S证据理论具有不需要先验概率的优点.故将高阶神经网络、模糊系统、D-S证据理论运用于数据融合系统,可以使得该系统具有较强的系统自学习能力和对外界环境的适应能力.     

基于神经网络的多传感器模糊航迹关联算法

文章以模糊数学中的隶属度概念为基础,针对分布式多传感器系统中的多节点情况,提出了一种航迹关联的多维分配方法。多维分配问题是是一个完全非确定性多项式问题,很难找到问题的最优解,而且其计算量容易出现指数爆炸现象。文章提出了一种新的三维神经网络模型用以解决三维分配问题。仿真实验结果表明,文章提出的人工神经网络模型不仅使航迹关联具有较高的关联正确率,而且计算时间短,其计算时间不会出现指数爆炸现象。所提出的三维神经网络模型同样可以推广到多维情况,以解决航迹关联的多维分配问题。     

基于RBF神经网络的水面船舶轨迹跟踪控制

针对速度矢量不可测、动态参数不确定以及具有未知扰动和磁滞特性的水面船舶系统,提出一种基于径向基函数神经网络的自适应反馈轨迹跟踪控制方案。根据船舶的状态矢量,利用高增益观测器估计水面船舶系统的不可测速度矢量,并通过一个函数描述间隙类磁滞对系统的影响。利用径向基函数神经网络的逼近能力和反步法设计控制器,基于李雅普诺夫稳定性理论,验证所设计控制器的稳定性,证明系统所有的闭环信号都是半全局一致有界的。通过仿真验证了控制器的有效性。     

船舶航向跟踪系统自适应单神经网络控制

针对船舶航向非线性系统,考虑模型中存在的不确定性和外部干扰等未知项,设计一种基于动态面控制技术和单神经网络技术的自适应控制器。首先引入一阶低通滤波器,避开对虚拟控制律的解析求导,解决了传统后推方法中普遍存在的"计算膨胀"问题;然后将设计控制器过程中出现的未知部分积存到下一步,依此类推,一直到控制器设计的最后一步,仅用一个神经网络逼近器逼近系统中的未知部分;最后把神经网络权值的范数作为唯一的在线估计参数,使在线学习参数的数目显著减少。所设计的控制算法具有计算量小、结构简单及易于工程实现等特点。采用Lyapunov理论证明了系统中的信号都是半全局一致最终有界,示例仿真结果验证了所提算法的有效性。