动态自适应的多雷达信息加权融合方法

为利用多源探测雷达航迹数据融合形成精度更高的航迹数据,对多源信息融合理论方法进行研究,结合雷达目标跟踪技术应用需求,基于经典动态加权方法与卡尔曼滤波技术,提出并设计一种动态自适应的多源雷达信息加权融合方法。在不事先预知雷达探测精度及探测环境的条件下,为弥补静态权值分配加权融合方法的缺点,通过设立4种反应数据源质量特点的子项权值,实时分析雷达航迹报告的质量因子,并依据质量因子情况动态地完成多源数据融合,从而得到综合精度优于雷达数据源的融合航迹结果。实测及仿真结果表明,所提方法具有提升精度的特点,并具有可用性,稳健性较好。

动态加权的多频段距离特征量数据融合方法

距离特征量反映了目标距离变化规律,该观测量可由基于LOFAR谱图的距离特征量提取方法得到。为解决单一频段提取的距离特征量精度不高的问题,本文基于最优加权平均法,提出了多频段距离特征量值提取技术。针对该方法在实际应用中无法准确得到距离特征量解算值误差的标准差,提出了一种对方差进行实时估计的动态加权融合方法。试验数据处理结果表明,融合后精度明显提高。

海面目标的动态协方差加权航迹融合算法

现代化战争时代中,由于电磁干扰技术和隐身技术等飞速发展,使用组网雷达测量目标已经十分普遍,因此对多雷达数据融合算法处理速度与融合精度要求日益增高。由于处理机性能与通信带宽限制,工程中通常使用分布式数据融合算法。分布式数据融合算法是在各自处理机对原始点迹进行跟踪滤波等处理,生成各自航迹数据,然后将各自航迹送往融合中心,融合中心对航迹进行时空配准、航迹融合处理得到最终的融合航迹。本文在动态权值分配航迹融合算法的基础上,考虑到组网雷达测量海面目标时局部误差的相关性,对原有加权矩阵进行优化,提高了航迹融合的距离精度与方位精度。最后采用此种算法对组网雷达测量海面目标的实测数据进行航迹融合并计算精度,验证本文的航迹融合算法。

基于航迹隶属度的分布式系统数据融合算法

航迹关联与航迹融合是分布式目标跟踪系统数据融合的关键。本文研究了基于航迹隶属度的数据融合算法。综合各传感器航迹估计形成的目标运动状态特征向量与传感器分辨率,根据模糊聚类算法建立各观测时刻航迹隶属度矩阵与系统航迹关联决策矩阵,解决融合中心航迹关联问题。根据加权融合算法思想,结合各观测时刻航迹隶属度矩阵,实时、动态分配航迹号集合中各局部航迹权值,解决目标航迹融合问题。蒙特卡罗仿真表明,算法航迹关联效果明显优于加权航迹关联算法,并得到与简单航迹融合算法一致的目标融合航迹。

基于多传感器数据融合的多目标跟踪算法研究

针对复杂环境下多传感器多目标跟踪问题,提出一种基于改进动态加权数据融合的UKF滤波多目标跟踪算法。该算法基于分布式融合结构,对于每个传感器得到的多个目标的观测信息,首先通过最近邻(Nearest Neighbor,NN)数据关联算法进行航迹关联;然后用无迹卡尔曼滤波(Unscented Kalman Filter,UKF)完成对多目标状态的估计,得到目标最新的运动轨迹;与此同时,综合多个传感器估计的目标轨迹,应用改进的动态加权数据融合算法,得到最终的目标轨迹。仿真结果表明,该算法能有效地发挥多传感器数据融合优势,准确地跟踪多个运动目标。与单传感器目标跟踪相比,多传感器数据融合后的目标跟踪精度提高20%以上。

改进YOLOv5的无人机航拍图像目标检测算法

针对无人机航拍图像目标检测中目标尺度多样、相似目标众多、目标聚集导致的目标漏检、误检问题,提出了改进YOLOv5的无人机航拍图像目标检测算法DA-YOLO。提出由特征图注意力生成器和动态权重学习模块组成的多尺度动态特征加权融合网络,特征图注意力生成器融合处理不同尺度目标更重要的特征,权重学习模块自适应地调节对不同尺度目标特征的学习,该网络可增强在目标尺度多样下的辨识度从而降低目标漏检。设计一种并行选择性注意力机制(PSAM)添加到特征提取网络中,该模块通过动态融合空间信息和通道信息,加强特征的表达获得更优质的特征图,提高网络对相似目标的区分能力以减少误检。使用Soft-NMS代替YOLOv5中采用的非极大值抑制(NMS)以改善目标聚集场景下的漏检、误检。实验结果表明,改进算法在VisDrone数据集上检测精度达到37.79%,相比于YOLOv5s算法精度提高了5.59个百分点,改进后的算法可以更好地应用于无人机航拍图像目标检测中。

目标弹道数据实时融合方法研究

由于数据种类的多样性和实时性,数据融合方法在多信源弹道实时处理中应用尚不成熟。结合实际需求,提出一种多信源弹道数据动态加权实时融合方法。首先,根据模糊聚类算法,建立反映导弹目标当前状态信息的弹道隶属度矩阵,实时计算弹道集合中各弹道的权值,最后依据不同的权值进行弹道数据融合。仿真计算表明,该方法可以获得1条尽可能完整的目标飞行弹道,数据平滑、趋势正确,满足实际需求。

基于多类指数损失函数逐步添加模型的改进多分类AdaBoost算法

多类指数损失函数逐步添加模型(SAMME)是一种多分类的Ada Boost算法,为进一步提升SAMME算法的性能,针对使用加权概率和伪损失对算法的影响进行研究,在此基础上提出了一种基于基分类器对样本有效邻域分类的动态加权Ada Boost算法SAMME.RD。首先,确定是否使用加权概率和伪损失;然后,求出待测样本在训练集中的有效邻域;最后,根据基分类器针对有效邻域的分类结果确定基分类器的加权系数。使用UCI数据集进行验证,实验结果表明:使用真实的错误率计算基分类器加权系数效果更好;在数据类别较少且分布平衡时,使用真实概率进行基分类器筛选效果较好;在数据类别较多且分布不平衡时,使用加权概率进行基分类器筛选效果较好。所提的SAMME.RD算法可以有效提高多分类Ada Boost算法的分类正确率。

一种提高双基地雷达定位精度的方法

在T/R-R型双基地雷达性能优化的研究中,为了进一步提高雷达系统的定位精度,研究各测量子集的定位精度随着目标-雷达相对位置的变化情况。根据雷达的定位精度和雷达-目标的相对位置关系,推导出雷达测量精度的动态表达式,并对每个测量子集按精度进行最优加权,从而得到最优权值计算公式,并计算了固定权系数加权平均法和动态加权融合法所能达到的定位精度,分析了定位精度几何稀释,仿真结果表明定位精度有很大的提高。

监控视频中基于运动目标显著性的关键帧提取方法

文中提出了一种监控视频中基于运动目标显著性的关键帧提取方法。该方法首先对监控视频中的行人进行检测和跟踪,分别提取行人的颜色、纹理与形状3种底层特征并借助肤色模型得到能够凸显人脸区域的肤色置信图,然后将3种特征图像和肤色置信图动态加权融合得到多特征融合图像,最后以行人目标的多特征融合图像以及跟踪结果为参考,选取出目标显著性程度最大的融合图像对应的视频帧为关键帧。实验结果表明,文中提出的关键帧提取算法能够快速掌握监控视频中的行人信息,为视频后处理提供运动目标有效的处理样本。

基于动态加权的粮库环境信息采集系统设计

储粮环境是一个由温度、湿度和CO2浓度等因素构成的复杂系统，常规粮情监测方法已很难满足要求。本文基于嵌入式ARM和单片机上下联控的方式构建粮情智能监测装置，并在外围组建环境气体循环采集通道。依据校准规范JJF1101-2003将粮库划分为三层15个均匀区域，通过采集储粮环境中的C02浓度、温度、湿度等数据信息，采用最小二乘法对15次区域采集进行动态加权融合。实验结果表明，粮库环境信息采集系统应用于粮情监控效果显著，能够很好的满足当前粮情监测需求。

结合视觉Transformer和CNN的道路裂缝检测方法

提出了一种结合视觉Transformer和CNN的道路裂缝检测方法。利用CNN来捕获局部的细节信息,同时利用视觉Transformer来捕获全局特征。通过设计的Fusion特征融合模块将两者提取的特征有机地结合在一起,从而解决了单独使用CNN或视觉Transformer方法存在的局限。最终将结果传递至交互式解码器,生成道路裂缝的检测结果。实验结果表明,无论是在公开的数据集上还是在自建的数据集上,相较于单独使用CNN或视觉Transformer的方法,所提出的方法在道路裂缝检测任务中有更好的效果。