论文部分内容阅读
水声目标的分类识别问题中,水声信号的复杂性决定了现有分析方法的“非全能性”,即没有哪一种分析方法适合于分析所有类型的信号。传统的基于专家知识的识别系统用判决结构来解决各分析方法之间的关系,带有较大的主观因素。而利用数据融合则可以较好地解决这一问题。
本文的主要工作是利用数据融合来解决水声信号目标识别系统中所用多种分析方法之间的关系。利用来自各分析方法的各种信息之间可以互补的性质,消除不确定性和错误信息的影响,从而提高系统性能。介绍了数据融合的概念,并针对决策层常用的融合方法Dempster-Shafer证据理论进行了详细介绍。在此基础上展开了一系列的工作:1.在系统内直接利用Dempster-Shafer证据理论进行融合。2.讨论D-S证据理论在水声信号分类识别中的优缺点,并针对其缺点提出特征关联的改进方法。3.分析识别系统中来自不同分析方法的多个特征参数。4.考察识别系统中各特征参数之间的关联性,并建立特征参数关联数据库。5.利用图论解决不同特征参数之间的关系,进行特征层融合。6.利用加入特征层融合,即特征关联后的Dempster-Shafer证据理论融合识别系统改善识别性能。
本文共分为四章。第一章,简要地介绍了数据融合的概念,Dempster-Shafer证据理论的原理及算法。第二章,介绍了识别系统中用到的特征参数。第三章,指出D-S证据理论的一些缺陷及其给目标识别带来的影响,并针对这些缺陷提出改进方法。由于D-S证据理论是一种建立在证据之上的融合理论,因此针对融合所用的证据提出了融合前的预处理,即采用特征关联分析证据之间的关系,并利用图论中最大支撑树算法计算多个证据关联后的质量,从而改进D-S证据理论的一些缺点。第四章,通过实验验证了改进后的D-S证据理论在水声信号目标识别中的应用效果。