学位论文 > 优秀研究生学位论文题录展示

多传感器信息融合方法及其在空间目标识别中的应用

作　者: 张池平
导　师: 杨涤；崔平远
学　校: 哈尔滨工业大学
专　业: 飞行器设计
关键词: 多传感器信息融合航迹关联空间目标识别神经网络 D-S证据理论
分类号: TP202.4
类　型: 博士论文
年　份: 2006年
下　载: 2047次
引　用: 11次
阅　读: 论文下载

内容摘要

近年来多传感器信息融合理论及其应用技术研究得到了快速的发展,已经成为一个重要的研究领域,基于信息融合的目标识别技术成为国内外研究的热点。由于空间目标识别是空间监视中的一项关键技术,因而成为目标识别的一个重要研究方向。针对空间目标识别问题的特点,多传感器信息融合可望突破传统识别方法的瓶颈,本文即以此为出发点,研究了多传感器信息融合方法及其在空间目标识别中的应用。基于多传感器进行空间目标识别,首要任务就是判断来自不同传感器的信息是否针对同一目标,这就是航迹关联问题。目前的航迹关联方法在密集目标环境下,航迹错关联概率和漏关联概率较大,针对这一问题,本文利用D-S证据理论,提出了基于模糊综合决策的D-S航迹关联方法和基于K近领域的D-S航迹关联方法,两种方法成功地将模糊决策的逻辑性和统计模式分类的严密性与证据理论的智能特性相结合,仿真结果说明了两种方法的有效性和实用性。假设传感器得到的目标信息是关联的情况下,下一步的工作就是如何利用传感器信息获得目标的有效识别。神经网络方法在这方面应用较为广泛,但是对复杂的传感器系统,单一神经网络会出现稳定性差、收敛性差、网络训练时间长等问题。就此本文提出了基于模糊决策的神经网络和带有加权融合的神经网络组两种目标识别方法,与传统的神经网络相比,基于模糊决策的神经网络结构简单,逻辑层次分明,学习训练算法简洁,而神经网络组在不增加训练时间的基础上,提高了网络的智能特性,能够更加合理地对不确定性信息进行融合。经仿真验证,基于模糊决策的神经网络能够提高噪声较大情况下的识别率,而利用神经网络组不但减少了训练时间,而且提高了目标识别的精度。在目标识别过程中,如果能够得到关于目标属于不同类别的基本概率分配的话,则证据理论显示了信息融合的优越性。本文引入了基于证据决策的目标识别方法,经仿真验证,证据理论对于不确定信息能够很好地进行处理和融合。但是D-S证据理论不能处理矛盾证据,限制了其应用的范围,本文在分析这一问题来源的基础上,提出了改进的D-S证据融合规则,经实例验证,改进的方法能够有效地解决这一问题,并达到了理想的识别效果。最后针对飞机目标的识别问题,利用神经网络组和D-S证据理论建立

全文目录

摘要  3-5
Abstract  5-13
第1章绪论  13-28
  1.1 课题研究的背景及意义  13-14
    1.1.1 课题来源  13
    1.1.2 研究的目的及意义  13-14
  1.2 信息融合技术及其研究现状  14-18
    1.2.1 信息融合发展概况  15
    1.2.2 信息融合的常用理论和方法  15-17
    1.2.3 信息融合的应用领域  17-18
  1.3 基于信息融合的目标识别及其研究现状  18-26
    1.3.1 目标融合识别概述  18-19
    1.3.2 目标航迹关联  19-22
    1.3.3 目标识别研究现状  22-24
    1.3.4 空间目标识别问题  24-26
  1.4 本文主要工作  26-28
第2章目标识别中的航迹关联方法研究  28-48
  2.1 引言  28
  2.2 数学模型  28-31
    2.2.1 系统状态方程  28-29
    2.2.2 状态估计原理  29-31
    2.2.3 关联问题数学描述  31
  2.3 基于模糊综合决策的D-S航迹关联方法  31-41
    2.3.1 基本假设  32
    2.3.2 证据的形成  32-34
    2.3.3 证据的构造  34-37
    2.3.4 证据融合及判决规则  37
    2.3.5 仿真与结果分析  37-41
  2.4 基于K近邻域的D-S航迹关联方法  41-46
    2.4.1 EK-NN算法基本假设  41-42
    2.4.2 证据的形成及融合  42-43
    2.4.3 决策规则  43
    2.4.4 EK-NN算法的多义性处理  43-44
    2.4.5 仿真与结果分析  44-46
  2.5 两种方法的比较  46-47
  2.6 本章小结  47-48
第3章基于神经网络的目标识别方法研究  48-70
  3.1 引言  48
  3.2 基于模糊决策的神经网络目标识别  48-59
    3.2.1 模型结构  48-51
    3.2.2 网络输出计算及学习算法  51-53
    3.2.3 隶属函数选取  53-57
    3.2.4 仿真与结果分析  57-59
  3.3 基于神经网络组的目标识别  59-67
    3.3.1 神经网络组  60-61
    3.3.2 模型结构  61-63
    3.3.3 仿真与结果分析  63-67
  3.4 几种方法的比较  67-68
  3.5 本章小结  68-70
第4章基于证据决策的目标识别方法研究  70-91
  4.1 引言  70
  4.2 证据融合基本原理  70-72
  4.3 基于证据理论的多传感器目标识别  72-82
    4.3.1 基本概率分配函数的获取  73-74
    4.3.2 D-S方法用于目标识别的决策规则  74-75
    4.3.3 算法流程  75-78
    4.3.4 数值算例与结果分析  78-82
  4.4 D-S融合规则存在的问题及改进措施  82-90
    4.4.1 矛盾证据融合分析  83-84
    4.4.2 Yager公式和Sments公式  84-85
    4.4.3 一种改进的D-S融合算法  85-87
    4.4.4 数值算例与结果分析  87-90
  4.5 本章小结  90-91
第5章信息融合在空间目标识别中的应用  91-104
  5.1 引言  91
  5.2 仿真模型  91-95
    5.2.1 模型框架  92-93
    5.2.2 模型数学描述  93-95
  5.3 仿真与结果分析  95-102
    5.3.1 仿真条件  97-99
    5.3.2 仿真与结果  99-102
    5.3.3 结果分析  102
  5.4 本章小结  102-104
结论  104-106
参考文献  106-115
攻读学位期间发表的学术论文  115-116
哈尔滨工业大学博士学位论文原创性声明和使用授权书  116-117
致谢  117-118
个人简历  118

多传感器信息融合方法及其在空间目标识别中的应用

内容摘要

全文目录

相似论文