全自动主着陆/着舰引导数据解算与融合算法

针对舰载机全自动自主着陆/着舰对飞机定位精确要求高的需求,提出了一种利用卫星导航和雷达联合进行信息融合精确定位算法。文章采用载波相位差分定位、野值剔除和序贯异类数据融合技术,有效提高了对飞机的定位引导精度和可靠性。     

帧差法和Mean shift算法融合的高速无人机目标跟踪

为实时跟踪高速飞行无人机,图像跟踪算法必须满足快速性和准确性要求。文章给出一个融合算法,将帧差法和 Mean shift算法的优势结合起来。2个算法平行运行,差帧法实现快速跟踪,Mean shift算法则用于对帧差法结果进行准确度修正。还利用 Kalman滤波技术对计算周期内的无人机运动位移进行补偿,进一步提高实时跟踪的准确性,并给出 Matlab仿真例子验证本文方法的有效性。     

基于多信息加权融合的降维航迹关联算法

针对分布式3个传感器多目标的航迹相关算法如果直接计算时间和花费都比较高这一问题,提出降维航迹关联算法。该算法先利用2个传感器的目标位置估计点构造航迹相关代价矩阵,求出最优解,再利用这个最优解与第3个传感器的目标位置估计点构建航迹相关代价矩阵,进一步得到三维航迹相关配对。针对单信息系统不稳定这一问题,提出了融合多个特征信息的加权算法。该算法利用熵权法赋予各种不同信息的权重进行加权融合,转化为单信息问题。仿真结果说明本文所给出的新算法不仅减小了目标跟踪误差而且其时间花费较少,因此,新算法是可行的。     

导航通信融合定义、方式与典型系统

随着人们对定位安全和定位准确性要求的提升，仅仅依赖卫星导航系统已经不能满足用户在各种复杂环境下的个性化定位需求，在此背景下，通信导航一体化技术应运而生。移动通信网络具有覆盖广、用户数量大和安全保密性好等优点，将通信系统作为卫星导航系统的有效补充，可以有效提升导航系统的性能。导航通信融合技术已经成为导航领域未来发展的重要技术热点，但目前缺乏清晰的导通融合架构和导通融合方式。从导通融合的技术层面进行划分，提出了波形融合、信息融合、硬件融合三种导通融合方式，分析了通信系统的辅助信息对导航系统精度和抗干扰能力的影响，以及两种典型的导通融合系统的优缺点，并对其未来的发展进行了展望，补充了导航通信融合技术的基础理论，对导通融合技术的发展具有重大意义。     

基于改进容积卡尔曼滤波的惯性/光流组合自主测速方法

针对容积卡尔曼滤波算法在惯性/光流组合测速数据融合时出现由于各系统输出数据频率不一致导致融合精度有限的问题,提出了一种基于多速率残差校正的改进容积卡尔曼滤波算法.通过当前时刻误差估算组合导航系统残差,再使用估算后的残差对速度估计值进行补偿,最终实现惯性/光流组合系统速度测量值的数据融合.实验结果表明,通过提出的改进容积卡尔曼滤波对惯性/光流数据进行融合后,东向速度均方根误差为0.2964m/s,北向速度均方根误差为0.06m/s,与现有其他卡尔曼滤波算法相比,此方法可显著提高惯性/光流组合系统的速度测量精度.     

基于改进粒子滤波的多传感器融合空间目标跟踪

为了跟踪空间目标,构建了基于局部粒子滤波器的多传感器融合方法估计空间目标状态。粒子滤波重要采样过程中,设计了基于融合估计的重要密度函数减少粒子贫化问题,并设计基于 McDE(Memetic compact Differ. ential Evolution)重采样策略,通过对粒子的变异与选择等进化操作来解决粒子退化问题。理论推导与仿真结果皆证明方法的有效性。     

多传感器融合状态估计方法综述

随着传感器网络技术的发展，多传感器融合状态估计凭借其鲁棒性、灵活性、可扩展性以及便于故障检测等优点，长期受到国内外学者的广泛关注，并取得了大量研究成果。数据融合的方法为融合状态估计奠定了理论基础，也是早期研究的主要方向，从20世纪70年代到20世纪末，相继发展出了集中式和分散式滤波架构及相应算法。无线通信技术的成熟以及一致性算法的出现使得分布式状态估计的研究进入了快车道，自2005年以来，大量基于一致性的分布式滤波算法被提出，其中不乏实用的经典方法和优秀的开创性方法。旨在梳理多传感器融合状态估计的发展，探究从数据融合到分布式滤波的内在联系，并对一些经典方法进行了总结。     

基于退化信息融合理论的可靠性预测研究

传统的可靠性评估方法一般基于失效寿命数据,而目前对于高可靠长寿命的电子产品,很难通过加速试验获得其失效寿命时间。为解决这一矛盾,将性能退化理论、信息融合技术与传统可靠性评估方法相结合,提出基于退化信息融合理论的可靠性预测的新方法,并应用某型雷达24V/2A稳压电源板的加速性能退化试验进行验证,结果表明方法用于高可靠长寿命电子产品的可靠性评估是正确有效的。     

Novel moderate transformation of fuzzy membership function into basic belief assignment

In information fusion, the uncertain information from different sources might be modeled with different theoretical frameworks. When one needs to fuse the uncertain information represented by different uncertainty theories, constructing the transformation between different frameworks is crucial. Various transformations of a Fuzzy Membership Function (FMF) into a Basic Belief Assignment (BBA) have been proposed, where the transformations based on uncertainty maximization and minimization can determine the BBA without preselecting the focal elements. However, these two transformations that based on uncertainty optimization emphasize the extreme cases of uncertainty. To avoid extreme attitudinal bias, a trade-off or moderate BBA with the uncertainty degree between the minimal and maximal ones is more preferred. In this paper, two moderate transformations of an FMF into a trade-off BBA are proposed. One is the weighted average based transformation and the other is the optimization-based transformation with weighting mechanism, where the weighting factor can be user-specified or determined with some prior information. The rationality and effectiveness of our transformations are verified through numerical examples and classification examples.     

Conditional self-attention generative adversarial network with differential evolution algorithm for imbalanced data classification

Imbalanced data classification is an important research topic in real-world applications, like fault diagnosis in an aircraft manufacturing system. The over-sampling method is often used to solve this problem. It generates samples according to the distance between minority data. However, the traditional over-sampling method may change the original data distribution, which is harmful to the classification performance. In this paper, we propose a new method called Conditional Self-Attention Generative Adversarial Network with Differential Evolution (CSAGAN-DE) for imbalanced data classification. The new method aims at improving the classification performance of minority data by enhancing the quality of the generation of minority data. In CSAGAN-DE, the minority data are fed into the self-attention generative adversarial network to approximate the data distribution and create new data for the minority class. Then, the differential evolution algorithm is employed to automatically determine the number of generated minority data for achieving a satisfactory classification performance. Several experiments are conducted to evaluate the performance of the new CSAGAN-DE method. The results show that the new method can efficiently improve the classification performance compared with other related methods.