一种修正的DS证据融合策略

 提出了一种修正的DS 证据融合策略,以解决证据冲突情况下的融合问题,该方法综合利用了传统DS 证据理论方法所具有的收敛性好及加性融合方法所具有的可靠性高两方面的优点。该方法先对DS 证据理论的结果与加性策略结果之间的一致性做出判断,如果一致性好,则采用DS 证据理论的结果作为最终结果,这样就保证了算法收敛性,否则,用加性策略的结果对DS 证据理论的结果进行修正,从而保证算法的可靠性。该方法在解决冲突证据的合成问题方面体现出良好的适应能力。     

民用飞机IRS冗余配置下融合算法研究

为了确保民用飞行的安全,大型民用飞机一般配备冗余的导航系统,如A320一般装有三套IRS。如何利用冗余的传感器信息提供最重的位置信息,成为民用飞机飞行管理系统亟待解决的关键技术。本文对冗余配置下如何进行三套IRS的融合进行了研究,提出了基于历史信息获取最佳混合位置的方法,并通过仿真分析验证了算法的有效性,为FMS导航功能关键技术的实现提供了理论基础和技术支持。     

基于多分类器融合的航空发动机气路故障诊断

为解决航空发动机这一复杂系统的故障诊断问题,提高智能化诊断方法的准确率,使用了D-S证据理论对RBF神经网络、BP神经网络和支持向量机三个诊断子系统的诊断结果进行决策级融合,结果表明D-S证据理论的使用可以达到比单独运用三个子系统具有更好的诊断效能,经过融合降低了误诊率,改善了诊断性能。     

多传感器组合导航系统的多尺度异步信息融合算法

首先,将状态方程采用数据块变换的方式得到新的状态块方程,并将量测方程表达为数据块的形式;然后,将量测向量进行多层小波变换以得到新的量测向量,结合状态块方程进行卡尔曼滤波;最后,利用异步贯序滤波的方法,建立了基于全局的最优估计值。将上述算法应用于GPS/SST/高度表/SINS多组合导航系统,仿真结果表明:相对于单一尺度的异步滤波算法,该算法可明显地提高系统的滤波精度。     

基于改进证据理论的导弹故障诊断方法

文章在阐述D-S证据理论基本概念、合成规则和推理过程的基础上,研究了新的冲突权重分配方法和改进的冲突证据合成方法,并建立了导弹装备故障诊断推理模型,实例验证该模型的有效性。     

一种分布式异步航迹融合算法

在多被动传感器目标跟踪中,融合中心处理的信息一般是同步的,然而实际情况并非如此。另外,一些被动传感器只能得到目标的方位信息,无法单独形成有效航迹,这就需要将各传感器数据同步到相同时刻,然后应用同步融合算法。针对被动传感器探测系统,采用传感器到传感器融合和系统到传感器融合的分布式融合结构,并对各局部传感器引入全局反馈,对相关信息采用协方差交叉算法进行处理,完成被动传感器异步数据的融合,仿真结果表明,该算法具有较好的融合效果。     

信号特征选择的一种优化算法

简单介绍了基于扩张理论和粗集理论的优化算法、“贪心算法”和启发式搜索算法等典型特征选择的优化算法,并比较它们的性能,在此基础上选择启发式搜索算法用于信号特征的选择。最后用MATLAB编程验证了启发式搜索算法特征选择的有效性。     

信息融合图像识别算法及其在三维飞机图像识别中的应用研究

将D S证据推理与不变矩理论相结合,提出了信息融合图像识别算法,并应用于三维飞机图像的识别。构造了基本置信指派函数,建立了分类规则,针对Dempster组合规则只适用于高置信度、低冲突性的情况,应用可解决证据冲突的加权分配冲突法及吸收法,完成了三维飞机图像识别的仿真,比较了3种组合规则的识别效果,结果表明吸收法识别率最高。     

一种新的基于位置信息的路由算法研究

 为航空移动Ad hoc网络(MANET)提出一种基于位置信息的路由算法,即位置网格路由（LBGR）算法,以此来解决节点高速移动引起的路径重建问题。算法中,数据包沿路由发现时得到的网格轨迹进行传输,每个收到数据包的中转节点根据它与相邻节点、目的节点的位置关系及网络轨迹下游的路由网格位置决定下一跳节点。由于利用了网格位置信息,LBGR算法在航空节点高速移动和拓扑变化无法事先预测的情况下,使用较少的开销就可获得稳定的路由。仿真结果表明,与GRID路由算法相比,LBGR算法在节点中高速移动时,能够有效地减少路由开销,提高网络吞吐量。     

证据冲突下自适应融合目标识别算法

 利用证据理论对空中目标识别系统的观测信息融合时,Dempster规则对低冲突信息的融合结果较为理想,但无法对高冲突信息有效融合。Dubois &; Prade(DP)规则及证据折扣法可对高冲突信息进行合理融合。为使不同融合方法发挥各自优势,提出一种自适应融合算法。首先将矛盾因子和证据距离两者结合以更全面地表示证据冲突程度,当冲突较小时,选用Dempster规则,反之,根据冲突的具体情况选择使用DP规则或证据折扣法。通过目标识别实验对多种算法进行了对比,表明本文算法既能对高冲突证据进行合理融合,又能使融合结果快速收敛,可以有效地提高识别速度及正确率。     

模糊推理和证据理论融合的航空发动机故障诊断

提出了一种模糊推理与证据理论相结合的航空发动机故障诊断方法.首先,根据故障征兆信号,结合专家经验对发动机故障原因发生的可能进行模糊推理,解决故障诊断中的模糊性问题;其次,将模糊推理结果作为证据的基本置信度分配,确保赋值的准确性;最终,采用证据组合规则对多个证据进行融合决策,减小故障诊断的不确定性测度,并解决证据间的冲突问题,从而实现对故障源的精确定位.实验结果表明,该方法可行且有效.      

一种基于证据距离的多分类器差异性度量

 多分类器系统因其能够显著提升分类精度而引发了广泛关注。多分类器系统中各子分类器间的差异性是提升融合分类精度的先决条件。提出了一种基于证据距离的分类器系统差异性度量,同时基于该度量提出一种多分类器系统构造方法。综合了既有差异性度量、所提新差异性度量以及在训练样本集上的分类性能等多个指标,实现了多分类器系统的有效构造。实验结果表明,所提差异性度量及多分类器系统构造方法是合理的,能有效提升融合分类精度。     

机载探测设备目标识别算法的研究

针对机载探测设备多传感器系统具有多目标,大量观测数据的特点,提出了一种基于Demp-ster-Shafer（D-S）证据理论和主观Bayesian方法组合的数据融合算法。在数据融合过程中,为保证融合的实时性,融合系统采用时域融合和空域融合相结合的方法,首先对相同传感器的各次抽样值进行时域融合,然后传感器之间的融合采用D-S方法进行融合;最后,其融合结果经概率转化后,与来自于ELINT（Electronic Intelligence）的信息通过主观Bayesian方法进行识别级融合。最后给出一个实例,经过仿真计算证明了该算法的可行性和实用性。     

信息融合技术在飞机发动机油液故障诊断中的应用研究

详细介绍了信息融合技术中的D-S证据理论,并运用该理论能够处理不确定信息能力的特点,对油液分析的光谱数据和铁谱数据进行了有效的融合,解决了单独分析方法难以得到综合信息的问题,提高了飞机发动机油液故障诊断的准确性.     

一种对多传感器异步数据的融合处理方法

在传感器异步采样时刻情况下 ,对机动目标的跟踪滤波算法进行了探讨 ,基于细分时间片的方法 ,提出了一种将多传感器数据组合成类似于单传感器数据的异步数据处理方法 ,运用于目标点迹航迹的合成。通过对多传感器数据的利用 ,增大对目标观测的数据流数据率 ,来提高跟踪精度。仿真实验显示 ,各通道的均方根误差均相对减小 ,表明了算法的可行性。     

加权D—S证据理论在多平台数据融合中的应用

D—s证据理论在多平台、多传感器目标识别中有着广泛的应用。利用多平台协同数据融合系统的优势,解决了单一平台获取目标信息上的不足。对各平台传感器获取信息采用证据加权的方法,以获得较好的传感器可信度基本概率赋值,提高D—S证据理论在多传感器目标识别上的准确性。实验证明了方法的正确性和有效性。     

基于PNN-DS信息融合模型的目标识别方法

针对目标识别中常用BP—DS信息融合方法识别率低,运行速度慢,抗噪性差等问题,提出一种基于PNN网络和DS证据的信息融合方法。该方法不仅综合了证据理论在处理不确定信息方面的优点和神经网络在数值逼近上的长处,利用神经网络和证据推理算法获取了基本概率赋值,同时突出了PNN网络在处理多传感器信息的准确性和运算速度上都要优越于BP网络的特点。     

非线性系统中多传感器目标跟踪融合算法研究

 研究了在非线性系统中 ,基于转换坐标卡尔曼滤波器的多传感器目标跟踪融合算法。通过分析得出 :在非线性系统的多传感器目标跟踪中 ,基于转换坐标卡尔曼滤波器 ( CMKF)的分布融合估计基本可以重构中心融合估计。仿真实验也证明了此结论。由此可见分布的 CMKFA是非线性系统中较优的分布融合算法     

一种基于指数损失函数的多类分类AdaBoost算法及其应用

 提出一种新的多类分类AdaBoost算法——使用多类分类指数损失函数的前向逐步叠加模型FSAMME（forward stagewise additive modeling using a multi class exponential loss function）。该算法是基于原始的两类分类AdaBoost算法归结为使用两类分类指数损失函数的前向逐步叠加模型的统计学观点,将两类分类的前向逐步叠加模型自然扩展到多类分类情况下得到的,并采用多类指数损失函数和前向逐步叠加模型对FSAMME进行了详细的理论证明。该算法大大降低对弱分类器的精度要求,只需每个弱分类器的精度比随机猜测好;算法简单明了,不用把多类问题转化为多个两类问题,而是直接求解多类分类问题,大大减小计算复杂度和计算量。通过对基准数据库的测试分类及航空发动机故障样本的诊断,结果表明:FSAMME算法一方面可达到较高的分类诊断准确率,其准确率明显高于AdaBoost.M1,略高于AdaBoost.MH;另一方面可大大减小计算成本,满足在线快速分类诊断的要求。