基于神经网络的无源多传感器属性数据关联

采用引入动量项、自适应调整步长、Levenberg-Marquardt优化方法对基本的BP神经网络进行改进,以提高学习速度,改进的BP神经网络学习算法用于对无源多传感器获得的雷达辐射源参数进行属性数据关联,能够自适应地调整阈值,即根据训练数据调整关联的门限值,与确定门限的属性关联算法相比,有着很高的关联正确率。

无源多传感器系统对多目标的跟踪

讨论了无源多传感器系统对多个运动目标的跟踪问题.针对无源多传感器系统的特点,提出了两种数据相关算法.利用计算机仿真,说明了无源多传感器系统中相关算法与滤波方法相结合对多目标跟踪的性能.

无源探测器多目标跟踪的实现

本文对无源定位中的属性数据关联方法和方位数据关联方法以及目标位置的数据融合方法进行了论述,同时还对无源探测器多目标跟踪中的航迹起始方法和数据关联方法进行了介绍,并对不同方法的特点和性能作了比较。

改进的K-Means算法在特征关联中的应用

特征关联是无源多传感器辐射源融合识别的一个关键步骤。特征关联是根据来源于同一辐射源的量测数据所具有的相似性,采用一定的算法和分配策略将多传感器获取的对多辐射源的量测值进行分类划分和关联判定,利用辐射源的特征信息来消除关联模糊。特征关联过程中一个重要环节就是分类算法的选取。K-Means算法是基于划分的聚类算法,已经广泛应用于诸多领域。改进了K-Means算法,用灰关联度代替传统的距离度量定义了样本点间的距离,并对模拟产生的雷达辐射源特征参数样本集Radar-database进行了分类。仿真结果表明,改进的K-Means算法提高了关联正确率,但消耗了更多时间。

基于参数聚类的ESM与雷达情报融合研究

现代战场的复杂性和瞬变性随着传感器、计算机等技术的迅速发展而不断增加。为了获得战场上的主动权,新一代指挥系统不可能只依靠单传感器提供的信息获得支撑,必须使用各类有源、无源传感器提供的多种探测信息。其中,雷达与ESM(Electronic Support Measures)的数据融合,不但能够使雷达和ESM关于目标的位置信息以及属性信息得到更好的利用,从而能够通过ESM探测的电子参数信息更加透彻了解目标特性,而且两者还能够互相提示和告警。