机载多传感器目标信号属性融合研究

论文摘要

随着战场环境日益复杂恶劣,为提高飞机武器系统的作战性能,研究复杂干扰环境下机载多传感器目标识别问题具有极其重要的意义。为此,本文研究了复杂干扰条件下的机载多传感器属性融合问题,主要取得的成果为:1)本文首先分析了复杂干扰环境下属性融合存在融合信息不确定性大,造成系统鲁棒性和自适应性变差的问题,提出一种自适应融合模型。模型分三个部分:不确定信息处理、分类识别信息融合、知识更新。其中知识更新模块利用智能技术解决不同环境和信息层次下融合系统所要求的环境自适应性,稳健性问题。在此基础上,本文研究了知识更新模块的建立,提出利用蚁群算法进行知识的智能分析和推理寻优,从而实现在复杂环境下知识和更新的自适应管理。为进一步提高算法性能,本文研究了蚁群算法的改进问题,提出了爬山变异蚁群算法,将蚂蚁算法和局部搜索算法结合起来,提高算法后期的计算效率。2)针对数据层属性融合问题,本文分别研究了T.Fukuda和Luo R.C提出的不同算法,在此基础上,本文提出了一种基于传感器信息的一致性和可信度的分组融合算法。算法通过修正类别置信度的分类估计,减小测量误差引起的目标分类置信度的估计偏差;通过一致性测度进行传感器分组,利用传感器先验可信度估计各分组传感器的可信度,再优选可信度高的传感器组进行融合,从而修正冲突信息对融合结果的影响。该算法将不确定信息处理和融合结构有机结合,提高了属性融合的抗干扰能力。3)针对硬决策属性融合问题,本文首先研究了目标先验知识已知的情况下,分布式检测系统的算法优化算法,如穷举搜索算法、混合搜索算法,发现这些算法大多是次优算法,所以本文提出了基于爬山变异蚁群算法的贝叶斯全局优化算法。然后针对复杂环境及目标先验知识未知情况,研究了主观BAYES算法、NP算法,发现这些算法的性能和自适应性很难同时提高,所以本文提出了基于一致性分组和分类学习策略和爬山变异蚁群算法的贝叶斯全局优化算法,该算法具有全局优化能力和环境的自适应性。4)针对软决策属性融合问题,本文在深入研究模糊积分的基础上,改进传感器的模糊积分密度的定义,提出一种采用爬山变异蚁群算法确定统计模糊积分密度,采用环境模糊积分密度修正环境干扰的学习算法,并对比了采用遗传算法、神经网络等不同算法的性能,发现本文算法能明显提高算法的环境自适应性和在复杂环境下的融合性能较优。5)最后,本文研究了在不同的机动条件及电磁干扰条件下,上述算法在机载平台战场环境下的目标识别和机载流量传感器故障识别中的应用,验证了算法的有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究课题的背景和意义
• 1.2 基本理论简介
• 1.2.1 数据融合的基本原理
• 1.2.2 属性融合的基本结构
• 1.2.3 属性融合的算法
• 1.3 自适应数据融合理论的发展概况
• 1.4 本文的主要创新点、研究内容及结构安排
• 第二章 自适应融合模型的建立及蚁群算法的改进
• 2.1 机载多传感器信息融合技术概述
• 2.2 机载火控系统的数据融合模型
• 2.3 复杂环境下的目标属性融合
• 2.3.1 目标属性融合的一般模型
• 2.3.2 复杂环境下属性融合存在的问题
• 2.3.3 机载多传感目标识别的自适应融合模型
• 2.4 蚁群算法及其改进
• 2.4.1 蚁群算法
• 2.4.2 蚁群算法的改进分析
• 2.4.3 改进蚁群算法的提出—爬山变异蚁群算法
• 2.4.4 算法改进的仿真及分析
• 2.5 基于爬山蚁群算法的复杂环境下知识及更新模块的建立
• 2.6 小结
• 第三章 基于一致性和可信度的数据分类融合研究
• 3.1 基于一致性和可信度的分组融合模型
• 3.2 基于数据的一致性分组
• 3.2.1 利用置信距离测度实现目标分类估计
• 3.2.2 仿真及分析
• 3.2.3 基于一致性的模糊聚类分组
• 3.3 目标分类估计的优选融合
• 3.3.1 基于均匀风险函数的Bayes参数估计
• 3.3.2 基于统计理论的参数估计
• 3.4 融合模型的仿真及分析
• 3.5 本章小结
• 第四章 基于分类学习策略的Bayes自适应融合算法研究
• 4.1 基于分类学习策略的Bayes自适应融合模型
• 4.2 分布式贝叶斯融合优化算法的研究
• 4.2.1 分布式并联融合系统模型
• 4.2.2 决策规则的优化
• 4.2.3 相同传感器融合系统决策规则的优化
• 4.2.4 并联融合系统的优化算法
• 4.3 分布式贝叶斯融合优化算法的仿真研究
• 4.4 基于分类学习策略的融合决策算法的提出
• 4.4.1 Neyman-Pearson融合方法
• 4.4.2 基于不确定性推理的主观BAYES融合方法
• 4.4.3 基于分组学习策略的融合决策算法
• 4.5 基于分类学习策略的融合决策算法的仿真研究
• 4.6 本章小结
• 第五章 目标识别融合的模糊积分方法研究
• 5.1 软决策融合的算法简介
• 5.1.1 D-S证据理论
• 5.1.2 模糊融合方法
• 5.2 决策融合的模糊积分方法
• 5.2.1 模糊积分方法
• 5.2.2 基于模糊积分的识别融合算法
• 5.3 模糊积分在决策融合中的应用仿真
• 5.4 基于一致理论和蚁群算法的模糊融合算法
• 5.4.1 基于一致理论的模糊融合模型
• 5.4.2 基于爬山变异蚁群算法的统计模糊积分密度的学习
• 5.5 算法试验
• 5.6 本章小结
• 第六章 机载多传感器数据融合的应用研究
• 6.1 多传感器在火控及态势系统中属性融合的应用研究
• 6.1.1 战区环境仿真
• 6.1.2 属性融合
• 6.1.3 试验条件及结果
• 6.2 数据融合机载流量传感器故障识别的应用研究
• 6.2.1 应用原理
• 6.2.2 试验条件、结果及分析
• 第七章 总结与展望
• 7.1 总结
• 7.2 展望
• 致谢
• 参考文献
• 攻博期间取得的研究成果