传感器可靠性相异的信任函数理论融合识别算法研究

本文在信任函数理论框架下,针对决策层融合目标识别问题,对可靠性相异的多传感器融合目标识别提出了一种新算法。该算法结合各传感器混淆矩阵的先验静态信息以及其当前输出判决的动态信息,获得各传感器当前输出识别证据的可靠性因子,并将其用于相应信任函数的折扣,最后用Dempster组合规则对修改后的识别证据进行融合。仿真表明和现有一些考虑可靠性问题的融合算法相比,本文算法能够得到更好的融合效果。

基于信任函数理论的修正融合目标识别算法

针对信任函数理论中经典Dempster组合规则难以有效融合高冲突证据并存在焦元基模糊问题,提出了一种基于信任函数理论的修正融合目标识别算法。修正融合算法在对相容命题进行组合时,考虑了焦元基的影响,使基本信任质量合理地向基数较小的焦元命题聚焦,以避免焦元基模糊问题;在对冲突命题进行组合时,对命题进行倾向性分析并对局部冲突采用局部分配的策略,以有效融合高冲突证据。算例与仿真比较分析验证了此修正融合目标识别算法的合理有效性和优越性。

基于连续信任函数理论的鲁棒雷达目标检测方法

目标检测是雷达的基本功能,其鲁棒性直接决定了雷达应用的成败。针对瑞利目标检测问题,充分利用连续信任函数理论在不确定性信息表征和推理方面的优势,提出一种鲁棒雷达目标检测方法,在决策空间中可对先验模型噪声、真实目标和外来干扰的信任进行精准量化。鉴于该检测方法不存在解析解的问题,通过随机变量的变换,将任意瑞利目标幅度起伏模型转化为标准瑞利模型,再利用查表方式实现信任函数的数值计算,最后完成检测决策或用于后续融合推理。瑞利目标检测实验验证了所提方法的鲁棒性。

第七届信息融合国际会议最佳及提名论文评述

2004年第七届信息融合国际学术会议评出了一篇最佳论文,同时另有两篇文章获得最佳论文提名。最佳论文提出了适用于无线传感器网络的融合决策规则;其中一篇提名论文研究TBM(TransferableBeliefModel,TBM)框架下的联合跟踪和分类问题;另一篇则对JDL模型作了新的扩充。将对前两篇文章进行总结和评述。

引入权重因子的证据合成方法

D-S理论是一种有效的不确定性推理方法,但在证据完全冲突或冲突较大时,D-S证据合成公式失效。Y ager等学者对此作了改进,但是改进后合成公式又存在着新的问题。考虑到证据在合成过程中的重要程度不同,将权重因子引入到合成公式中,通过权重因子的作用和冲突概率的重新分配,提出了引入权重因子的D-S证据合成方法,新的合成公式提高了证据合成的可靠性和合理性,可得到更为理想的合成结果。