高阶神经网络与D—S方法在数据融合中的应用

讨论了数据融合与高阶神经网络的串行结合。根据Dempster-Shafer证据理论的基本原理,利用多传感器多周期测量条件下命题不确定性度量的融合算法公式,进行命题的空间和时间融合,以达到空中目标的敌我识别。将融合后的最终结果输入到高阶BP神经网络中,通过目标向量样本的训练,输出相应的目标类型。仿真结果证明,这种方法是行之有效的。     

高阶神经网络与D-S方法在数据融合中的应用

讨论了数据融合与高阶神经网络的串行结合.根据Dempster-Shafer证据理论的基本原理,利用多传感器多周期测量条件下命题不确定性度量的融合算法公式,进行命题的空间和时间融合,以达到空中目标的敌我识别.将融合后的最终结果输入到高阶BP神经网络中,通过目标向量样本的训练,输出相应的目标类型.仿真结果证明,这种方法是行之有效的.     

多雷达多目标航迹跟踪法

提出了一种改进的模糊极小极大(Fuzzy Min-Max,FMM)神经网络算法,并结合无师训练FMM神经网络的聚类,给出了一种基于FMM神经网络的多雷达多目标航迹跟踪方法.仿真实验结果表明,这种方法能够有效地完成多雷达多目标的数据融合,并较好地实现了多雷达多目标的航迹相关.     

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.     

一种水下目标识别方法──基于模糊理论的多种神经网络融合分类

在应用多种方法提取目标噪声中分类特征的研究基础上,本文设计出基于模糊理论的多神经网络融合分类器,其研究重点主要包括有监督分类的模糊聚类神经网络分类、多神经网络与模糊综合分析相结合的融合分类。基于大量海试实测信号样本的多组实验表明,该分类方法具有良好的工程应用前景。     

一种水目标识别方法：基于模糊理论的多神经网络融合分类

在应用多种方法提取目标噪声中分类特征的研究基础上,本文设计出基于模糊理论的多神经网络融合分类器,其研究重点主要包括有监督分类的模糊聚类神经网络分类、多神经网络与模糊综合分析相结合的融合分类。基于大量海试实测信号样本的多组实验表明,该分类方法具有良好的工程应用前景。     

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。     

面向目标识别的水下多传感器信息融合技术比较研究趑

对于水下作战,目标识别十分困难,因此必须走多传感器融合、多技术融合的道路,应分析研究不同的方法优缺点,取长补短,综合处理。本文比较了不确定性推理技术中主观Bayes方法与证据理论的特点,分别给出了基于2种技术的目标融合识别思想。提出了基于Bayes统计理论的身份识别和基于D-S理论融合身份识别的框架。研究了基于模糊神经网络的多传感器信息融合技术,提出了模糊神经网络信息融合紧密结合与松散结合的2种处理框架,并结合应用讨论了其特点。     

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。     

面向目标识别的水下多传感器信息融合技术比较研究

对于水下作战,目标识别十分困难,因此必须走多传感器融合、多技术融合的道路,应分析研究不同的方法优缺点,取长补短,综合处理。本文比较了不确定性推理技术中主观Bayes方法与证据理论的特点,分别给出了基于2种技术的目标融合识别思想。提出了基于Bayes统计理论的身份识别和基于D—S理论融合身份识别的框架。研究了基于模糊神经网络的多传感器信息融合技术,提出了模糊神经网络信息融合紧密结合与松散结合的2种处理框架,并结合应用讨论了其特点。     

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。     

一种基于舰船磁场的神经网络识别模型

为获得更为精确的识别结果,需要对舰船三轴磁场之间的相关性研究并进行融合。本文提出了一种将神经网络数据融合技术应用于舰船目标识别的模型,分析了舰船三个方向磁场的通过特性以及它们之间的相关性,并利用神经网络数据融合技术实现对舰船目标航速、横距和船型的模式识别。经过实测数据验证,该识别模型对舰船目标具有较高的检测概率。     

基于高阶谱的水下目标识别

利用高阶谱估值法,对具有很强非高斯性和非线性的舰船辐射噪声信号进行分析及特征提取,并通过结构自适应神经网络作为分类实验,表明基于高阶谱的特征提取具有较强的类别可分性,在无源声纳目标识别中特具潜力。     

基于神经网络的声纳特征级信息融合中目标分类研究

声纳目标特征级融合的主要任务是实现信息压缩、目标身份确定(分类) ,以利于实时处理、决策分析。基于数学模型的各种算法,由于情况复杂,往往很难建立。而人工神经网络通过样本的学习,具有存储记忆、在相似输入下能恢复记忆等特性,从而避免了烦琐而复杂的建模。在神经网络声纳目标识别前的噪声预处理方法中,选用了功率谱特征提取、双谱特征提取算法;在研究了提取的特征后,选取反向传播神经网络(BP)模型;在此基础上构造了BP神经网络,并对网络进行训练与测试,给出识别实验结果。仿真模拟分析证明,基于神经网络的声纳特征级信息的融合,对目标分类有一定效果,为进一步实现声纳信息融合奠定了基础     

多传感器数据融合技术在VTS中的应用研究

此文分析了多传感器数据融合技术在VTS中应用的必要性和可行性，提出了应用于VTS中的数据融合处理模型。在像素级融合，研究了坐标变换、位置坐标的插值计算、目标点迹的关联与合并等技术；在特征级融合，采用BP神经网络、D—S证据理论进行目标识别。     

水下运动目标动态谱特征提取与增强的现状与展望

介绍了国内外关于水下运动目标动态谱特征提取与增强的相关函数与功率谱方法、自适应谱线增强方法、小波变换方法、基于神经网络的方法、混沌动力学与分形理论、高阶统计量方法等主要方法及研究成果,分析了各种方法的主要缺陷,指出了在所有方法中用高阶统计量方法提取与增强运动目标动态谱特征是最值得深入研究的课题。     

基于小波包分析和深度学习的舰船辐射噪声识别

为提高舰船辐射噪声识别的准确率,针对辐射噪声这种非平稳、复杂的信号,提出一种基于小波包分解与多特征融合的特征提取方法.同时,引入深度学习模型,将提取到的特征作为识别分类的依据,采用卷积神经网络和长短时记忆神经网络作为分类器.对单一特征的分类结果与融合的多特征分类结果进行比较,对直接提取的特征分类结果与基于小波包分解提取的特征分类结果进行比较,对卷积神经网络、长短时记忆神经网络和机器学习的识别分类结果进行比较,结果表明,采用基于小波包分解与特征融合的特征提取方法和基于深度学习的分类识别方法能显著提高舰船辐射噪声识别的准确率.     

纹理高阶分形特征的海面舰船目标检测方法

为了提高海面舰船目标检测效果,提出纹理高阶分形特征的海面舰船目标检测方法。首先分析海面舰船目标检测原理,并对海面舰船目标图像进行处理,然后提取海面舰船目标检测的纹理高阶分形特征,并引入卷积神经网络分析海面舰船目标的变化特点,从而建立海面舰船目标检测模型,最后通过仿真实验分析海面舰船目标检测的效果。结果表明,对复杂背景的海面舰船目标,本文方法不仅提升了海面舰船目标检测的准确性,解决了海面舰船目标漏检的难题,而且海面舰船目标检测速度明显加快,可以实现海面舰船目标实时监控。     

高阶CMAC神经网络及其在水下机器人运动控制中的应用

对高阶ＣＭＡＣ神经网络的结构和工作原理进行了研究,提出了中间层作用函数地址的计算方法,给出了计算高阶基函数的不同方法,利用高阶ＭＣＡＣ神经网络对水下机器人模糊深度控制器进行了学习,仿真结果显示了不同高阶基函数ＭＣＡＣ网络的不同建模能力,证明了中间层作用函数地址的计算方法正确。     

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.