基于多传感器信息融合的空中目标识别算法研究

论文摘要

现代战争中,空中目标识别是防空作战指挥快速、正确决策的关键环节之一。空中目标识别的成败直接影响到防空火力的部署、分配及有效打击,进而会左右整个战场态势。因此,目标识别技术的发展对于提高整个防空系统的效能具有重要意义。本文基于多传感器信息融合技术,研究了空中目标识别方法及其应用。首先介绍了多传感器信息融合相关理论,分析了现有的证据组合方法,并指出其不足,然后在对不同证据焦元之间的冲突程度研究的基础上,将一种基于相互可信度的冲突证据组合方法用于空中目标识别。仿真结果表明:所采用的新方法合成效果好,合成结果更为理想。针对多传感器信息融合中基本概率赋值难以获取的问题,给出了一种利用神经网络技术获取基本概率赋值的方法,并在此基础上提出了一种将证据理论与神经网络相结合的目标识别融合方法。重点研究了支持向量机(SVM)在多传感器空中目标识别中的应用。SVM是在统计学习理论的基础上发展起来的新一代学习算法,基于结构风险最小化准则(SRM准则),采用经验风险和置信范围两项同时作为最小化的风险泛函。通过对几种多类分类支持向量机的比较,将DAGSVM应用于目标识别。仿真研究了神经网络、神经网络与证据理论结合的识别算法、DAGSVM三种算法的性能,结果表明DAG支持向量机在任意噪声情况下,均具有最高的识别率,特别是在大的背景噪声下,识别优势更加明显,说明了支持向量机在空中目标识别中的有效性。另一方面,在DAGSVM中加入并行算法,仿真表明算法运行速度得到了有效提高。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的背景
• 1.2 信息融合技术
• 1.3 基于信息融合的目标识别技术
• 1.3.1 目标识别概述
• 1.3.2 目标识别现状
• 1.4 本文主要工作
• 第2章 信息融合和目标识别的基本概念和原理
• 2.1 信息融合的基本概念
• 2.2 信息融合的级别
• 2.3 多传感器信息融合的层次和结构
• 2.3.1 信息融合的层次
• 2.3.2 信息融合的结构
• 2.4 多传感器信息融合的方法
• 2.5 本章小结
• 第3章 基于证据理论和神经网络的目标识别算法研究
• 3.1 引言
• 3.2 证据理论算法研究及其在目标识别中的应用
• 3.2.1 引言
• 3.2.2 证据理论的基本概念
• 3.2.3 证据理论方法缺陷及改进
• 3.2.4 改进D-S 算法的仿真分析
• 3.3 神经网络求取基本概率赋值相关研究
• 3.3.1 神经网络理论概述
• 3.3.2 神经元模型
• 3.3.3 神经网络的联接形式
• 3.3.4 神经网络的学习训练和学习规则
• 3.3.5 神经网络求取基本概率赋值
• 3.3.6 BP 和RBF 的仿真分析
• 3.4 本章小结
• 第4章 支持向量机的相关理论及其在空中目标识别中的应用
• 4.1 支持向量机的理论基础
• 4.1.1 统计学习一致性条件
• 4.1.2 统计学习理论推广性的界
• 4.1.3 结构风险最小化原则
• 4.2 标准支持向量机与多类分类支持向量机
• 4.2.1 线性可分与最优分类超平面
• 4.2.2 非线性可分
• 4.2.3 非线性SVM 和核函数
• 4.2.4 支持向量机算法
• 4.2.5 多分类支持向量机
• 4.3 多类分类支持向量机的仿真分析
• 4.3.1 多类分类算法的选取
• 4.3.2 模型框架
• 4.3.3 多类分类支持向量机的相关仿真
• 4.3.4 Arg 和C 参数的调整
• 4.3.5 三种算法的仿真分析
• 4.4 基于DAGSVM 的并行算法
• 4.4.1 基于DAGSVM 的并行训练
• 4.4.2 基于DAGSVM 的并行决策
• 4.4.3 并行算法的仿真分析
• 4.5 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢
• 个人简历