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。     

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。     

虚拟仿真环境中的航路冲突调配研究

现行仿真工具在模拟管制员航路冲突调配上存在问题边界不一致、调配方案不适用等诸多问题。针对这种现状,根据航路飞行冲突的影响因素对航路冲突进行了详细分类,并建立了航路冲突调配方案。使用VB和SQL混合编程进行系统开发,建立快速仿真工具。模拟运行表明,工具可模拟管制员提供简易可行的航路冲突调配方案,驱动仿真系统的运行。     

基于D—S证据理论的航空发动机故障诊断

航空发动机滑油中舍有摩擦副产生的磨损微粒。通过滑油介质中所含磨损微粒中元素的分析．运用Dempster-Shafer证据融合诊断方法,对航空发动机的磨损状态等进行有效的诊断,确定发动机的磨损程度,以及发动机的磨损部位,从而可对发动机的故障排除作参考。在融合过程中提出了先对每个元素的磨损量和磨损率进行融合,再总体融合的方法。针对Dempster—Sharer证据融合的局限,应用了两种改进的融合方法,并进行比较。实例表明,Dempster—Shafer证据融合是一种有效的航空发动机滑油磨损的故障诊断方法。     

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.     

航空发动机磨损故障的智能融合诊断

运用了4种最常用的滑油分析技术——铁谱分析、光谱分析、颗粒计数分析及理化指标分析,同时结合发动机试车台监测数据,提出了运用神经网络和D—S证据理论对发动机试车状态进行融合诊断的方法。首先依据各种分析方法的标准磨损界限值,将原始数据进行了预处理,转换成故障征兆的布尔值;其次,建立了各子神经网络的拓扑结构。并依据专家经验建立各子系统的输入征兆与故障论域的映射关系,由此获得了各子神经网络的训练样本,对各网络成功训练后。利用神经网络实现各子网络的诊断并得到了中间诊断结果;然后,将每种方法的神经网络诊断结果作为各故障模式的基本概率分配值,利用改进的D—S证据理论。实现了对神经网络诊断结果的融合,由此获得了最终的融合诊断结果,最后,通过算例证明了该方法的有效性。     

无人机空中冲突探测与避撞研究

近年来,无人机运输业迅猛发展,其飞行过程中的冲突探测与避撞问题成为亟需解决的关键问题。在无人机周围建立合理的三维空间模型,优化包括紧急避撞区域、一般避撞区域、监视及提前避撞区域的三级避撞区域系统,并利用ADS-B报文提供的无人机位置、速度等信息,基于无人机一般二维平面上的冲突探测与避撞算法,通过增加垂直方向上的冲突识别来改进冲突探测算法,对比调速、调向两种避让方案在各避撞区域的成功率。结果表明：改进算法能够在无人机数量大幅增加的情况下有效识别冲突无人机,同时采用先调速后调向的避让方案,使避撞成功率达到99.75%,为保障无人机的飞行安全提供有效策略。     

基于蚁群算法的无人机三维路径规划与冲突解脱

针对传统无人机路径规划方法难以满足无人机在复杂山区环境应用这一缺点,提出一种基于蚁群算法并利用插值算法和容斥算法优化的无人机三维路径规划算法。通过无人机飞行约束条件和对蚁群算法的优化在所建立的三维空间中得到最优路径。利用二次、三次样条插值、容斥算法等优化算法对无人机路径优化,规划出一条更加平滑的便于无人机执行的最佳路径,并建立了无人机冲突约束,解决了无人机冲突。     

基于优化SPOT和D-S证据理论的测试性验证方案

针对现有基于序贯验后加权检验的测试性验证方案对测试性设计指标之间的模糊参数空间考虑不足,以及未能充分运用测试性多源先验信息的问题,提出一种优化序贯验后加权检验和D-S证据理论相结合的测试性验证方案。首先,考虑测试性设计指标之间的模糊参数空间,构建三参数空间复杂假设,并基于Bayes理论研究序贯决策规则,同时确定决策因子以及决策阈值;其次,以测试性指标构成的参数空间为辨识框架,分别构造基于专家信息以及测试性试验数据等先验信息的基本信任分配函数,建立融合多源先验信息的优化序贯验证方案;最后,结合实例进行研究,并与经典验证方案、传统Bayes验证方案、序贯概率比检验方案以及序贯验后加权检验方案进行了对比分析。结果表明,该方案由于考虑了模糊参数空间以及充分融合了多源先验信息,有效解决了模糊参数空间的处理问题,同时所确定的平均故障样本量在决策支持的参数空间均优于其他方法。