BP神经网络和D-S证据理论的目标识别

目标识别是指挥自动化系统的一个重要组成部分,针对现代战争对抗手段不断增强的特点,运用BP神经网络和D-S证据理论探索作战飞机机型的识别方法。前端采用3层BP神经网络结构,以传感器接收数据为输入,以神经网络输出作为证据,后端对不同传感器的证据按D-S理论进行融合,得到待识别目标的识别概率。经由M ATLAB编程对国内外几种主要机型的识别进行仿真研究,与现行目标识别方法相比较,能够更快速、准确、可靠地识别飞机目标,较好地满足了空战中作战指挥系统对飞机机型识别的需求。

采用粗BP神经网络和D-S证据理论的目标识别

为克服传统的目标识别方法的不足,提高目标识别的实时性和准确性,提出将粗BP神经网络与D-S证据理论相结合的识别模型。在多传感器数据融合中利用粗集理论对大量的传感器数据进行处理,对输入信息进行约简,剔除冗余信息,简化了生成规则和BP神经网络模型结构,提高了网络训练速度和运行速度。以BP神经网络输出作为证据,后端对不同传感器的证据用D-S证据理论进行融合,得到待识别目标的识别概率。实验表明该模型减少了识别的主观因素,简化了BP神经网络结构,提高了运算速度和识别效果。该混合模型有比较好的应用前景。

基于BP神经网络和改进D-S证据理论的目标识别方法

针对应用经典D-S证据理论时,其关键参数基本概率赋值(BPA)往往凭主观经验获得,导致决策可信度低的问题,提出通过构建BP神经网络来获取基本概率赋值的方法。该方法利用BP神经网络强大的自学习和非线性映射能力,归一化输出值得到基本概率赋值。同时,为了解决高冲突度证据合成结果有悖常理的问题,提出一种基于证据信任因子的新的融合方法。根据证据的信任因子赋予其相应的权重,加权平均后得到期望证据,再进行合成。实验结果表明,该改进方法消除了高冲突度证据对合成结果的影响,具有更高的目标识别准确度。

弹道中段目标雷达综合识别研究

中段是弹道导弹防御的主要阶段,也是目标构成最为复杂的阶段。数量众多的轻、重诱饵和弹体碎片使得基于单一特征、单次观测的目标识别并不能给出令人信服的识别结果。因此本文根据弹道中段目标的微动和结构特性,首先利用BP神经网络得到基于单一特征的各待识别目标的基本概率赋值,然后利用D-S证据理论实现当前观测周期多特征的融合识别,最后利用D-S证据理论实现当前观测周期与以往观测周期在时间域的序贯融合识别。仿真结果证明了本文方法的有效性。

基于DS算法的雷达目标识别方法研究

主要目的是为解决干扰存在下不同类型传感器、不同格式信息之间的融合问题,设计了一种较为有效的融合算法,来对敌方的危险目标进行识别;主要方法是把神经网络改进的BP算法与Dempster—Shafer(D—S)证据理论相结合,将来自于各种传感器探测设备多次观察所得到的数据,经过神经网络后,得到基本概率附值,然后利用DS证据理论进行实时的时域和空域融合,从而达到准确的目标识别;仿真结果表明该算法在有效提高识别概率的基础上,大大提高学习速度,结果可行。

基于小波矩和证据理论的图像目标识别算法

针对单传感器进行图像目标识别时识别率较低,判决阈值较为苛刻这一弱点,提出了一种小波矩和Dempster-Shafe(rD-S)证据理论相结合的多传感器信息融合图像目标识别算法。利用小波矩提取图像的平移、伸缩、旋转不变矩特征,BP神经网络获取待识别目标属性的基本概率分配,最后利用D-S证据理论将单传感器的识别结果进行决策级融合,完成图像目标的识别。仿真结果表明了该算法在图像目标识别中具有更高的精度和可靠性。