文档介绍：信息与通信工程专业毕业论文[精品论文] 多传感器融合目标识别关键技术研究
关键词:信息融合目标识别核Fisher判别灰关联分析自适应权值熵值分析法
摘要:现代战场环境日益复杂恶劣,传感器所获得数据不精确、不完整、不可靠。多传感器信息融合可以综合利用多传感器信息,通过相互之间的关联和互补,克服单个传感器的不确定性和局限性,提高整个系统技术性能,全面准确地描述被测对象。由于毫米波与红外性能互补,毫米波与红外传感器系统是常用的多传感器融合系统。本文在分析多传感器信息融合基本理论的基础上,针对毫米波与红外传感器融合系统的目标识别部分,主要研究了特征层与决策层的融合目标识别关键技术。特征层融合识别模型包括目标特征提取、特征的关联及融合、分类识别等几个过程。本文在研究典型特征层融合识别方法的基础上,提出了一种基于KFDA(Kernel Fisher Discriminant Analysis)的毫米波与红外融合识别方法,由毫米波与红外传感器提取的不同特征构造联合向量,然后用KFDA方法提取非线性特征,最后用改进的k近邻分类器识别目标。使用实测数据进行实验证明了该方法的有效性。对于决策层的融合目标识别,本文提出了一种基于自适应灰关联分析与D-S理论结合的决策层融合新算法。首先对单个传感器计算灰关联度作为基本概率赋值,再用D-S理论进行融合得到识别结果。其中灰关联度计算中,提出了使用熵值分析法自适应确定不同特征属性的权值,提高了系统性能。通过实验验证了方法的有效性。
正文内容
现代战场环境日益复杂恶劣,传感器所获得数据不精确、不完整、不可靠。多传感器信息融合可以综合利用多传感器信息,通过相互之间的关联和互补,克服单个传感器的不确定性和局限性,提高整个系统技术性能,全面准确地描述被测对象。由于毫米波与红外性能互补,毫米波与红外传感器系统是常用的多传感器融合系统。本文在分析多传感器信息融合基本理论的基础上,针对毫米波与红外传感器融合系统的目标识别部分,主要研究了特征层与决策层的融合目标识别关键技术。特征层融合识别模型包括目标特征提取、特征的关联及融合、分类识别等几个过程。本文在研究典型特征层融合识别方法的基础上,提出了一种基于KFDA(Kernel Fisher Discriminant Analysis)的毫米波与红外融合识别方法,由毫米波与红外传感器提取的不同特征构造联合向量,然后用KFDA方法提取非线性特征,最后用改进的k近邻分类器识别目标。使用实测数据进行实验证明了该方法的有效性。对于决策层的融合目标识别,本文提出了一种基于自适应灰关联分析与D-S理论结合的决策层融合新算法。首先对单个传感器计算灰关联度作为基本概率赋值,再用D-S理论进行融合得到识别结果。其中灰关联度计算中,提出了使用熵值分析法自适应确定不同特征属性的权值,提高了系统性能。通过实验验证了方法的有效性。
现代战场环境日益复杂恶劣,传感器所获得数据不精确、不完整、不可靠。多传感器信息融合可以综合利用多传感器信息,通过相互之间的关联和互补,克服单个传感器的不确定性和局限性,提高整个系统技术性能,全面准确地描述被测对象。由于毫米波与红外性能互补,毫米波与红外传感器系统是常用的多传感器融合系统。本文在分析多传感器信息融合基本理论的基础上,针对毫米波与红外传感器融合系统的目标识别部分,主要研究了特征层与决策层的融合目标识别关键技术。特征层融合识别模型包括目标特征提取、特征的关联及融合、分类识别等几个过程。本文在研究典型特征层融合识别方法的基础上,提出了一种基于KFDA(Kernel Fisher Discriminant Analysis)的毫米波与红外融合识别方法,由毫米波与红外传感器提取的不同特征构造联合向量,然后用KFDA方法提取非线性特征,最后用改进的k近邻分类器识别目标。使用实测数据进行实验证明了该方法的有效性。对于决策层的融合目标识别,本文提出了一种基于自适应灰关联分析与D-S理论结合的决策层融合新算法。首先对单个传感器计算灰关联度作为基本概率赋值,再用D-S理论进行融合得到识别结果。其中灰关联度计算中,提出了使用熵值分析法自适应确定不同特征属性的权值,提高了系统性能。通过实验验证了方法的有效性。
现代战场环境日益复杂恶劣,传感器所获得数据不精确、不完整、不可靠。多传感器信息融合可以综合利用多传感器信息,通过相互之间的关联和互补,克服单个传感器的不确定性和局限性,提高整个系统技术性能,全面准确地描述被测对象。由于毫米波与红外性能互补,毫米波与红外传感器系统是常用的多传感器融合系统。本文在分析多传感器信息融合基本理论的基础上,针对毫米波与红外传感器融合系统的目标识别部分,主要研究了特征层与决策层的融合目标识别关键技术。特征层融合识别模型包括目标特征提取、特征的