论文部分内容阅读
信息融合技术是目标识别的核心,它是在现代军用需求的驱动下迅速发展起来的一门高新技术。实质上,它是对人脑综合处理复杂问题的一种功能模拟,而目标识别就是复杂问题的一种近似。决策融合和图像融合是目标识别的两种主要方法,本文研究的证据理论和随机集理论分别是决策融合和图像融合的重要工具。同时,随机集也是解决信息融合中信息类型不一致问题的主要方法,证据理论也可以被纳入到随机集理论的框架之中。
经典的Bayes推理和证据理论都是决策融合的主要理论之一,但是直接在决策融合中使用Bayes推理有一些困难。基于证据理论强大的不确定性推理能力,本文提出了新的证据组合方法,并利用新方法成功地实现了红外图像的小目标识别。经典的证据组合规则在融合高冲突证据时会得到与常识相悖的结果,其根本原因是融合中没有利用证据本身的固有相关特性。本文基于证据距离的概念,强化相似、削弱奇异,分别从修改证据组合规则和修改证据源两方面入手解决了证据冲突问题。在修改证据组合规则方面,根据部分分配信息冲突和全部分配信息冲突两种思想,分别提出了新的改进证据组合算式;在修改证据源方面,提出了基于信度函数和基于折扣系数的修改方法。大量数值实验结果表明,新方法解决了高冲突信息的多证据融合问题,同时具有较好的收敛效率和通用性。最后将基于折扣系数的融合方法用于有缺失目标的连续帧红外图像目标识别,得到了较好的目标识别效果。
随机集理论是较新的集合理论,还未被广泛研究,但它具有强大的统一融合能力。对随机集理论进行深入地研究分析是应用其进行目标识别和目标追迹的基础。首先用随机集理论解释和表达了信息融合中的不完备信息,从理论上解决了信息融合技术中最关键的信息类型不一致的问题.随后分析了随机集单点覆盖函数的来源和所表达的含义,从数学原理上讨论了它和模糊集隶属度函数之间的本质联系。并利用随机集理论对信任函数进行了原理推导,得出信任函数的随机集表达公式。最后基于随机集覆盖函数的概念,提出将随机集理论用于时间序列系统辨识的方法,总结出了该算法从建模到预测的应用步骤,并成功地把随机集理论用于了时间序列系统的分析和辨识中。
图像融合是目标识别的又一个主要途径。本文课题的研究对象为红外目标,根据要求和红外图像的特征,作者创造性地将将随机集理论的良好统计学特性和形态学强大的图像处理能力结合起来,提出一种新的红外图像目标识别方法,简化了从不完备的观测数据中提取或重现轮廓信息以及识别目标的过程。首先基于对数学形态学基本运算和随机集容量函数内在含义的分析,提出一种新的用数学形态学技术释义随机集的方法,用随机闭集为随机形状或目标建模,并成功地用于序列图像中的红外小目标识别。随后,进一步分析了离散随机集及其容量函数的特性,提出了一个实用的形态学约束的离散随机集模型.实例研究表明,该方法有良好的图像分割特性和处理随机形状信息的能力,能从被噪声和杂波破坏的红外图像中识别出小目标。
随机集的强大功能还体现在对多目标的检测和状态估计上。基于多传感器获得的随机信息,提出新的多变场景中的多传感器多目标随机集测量模型和状态估计模型。首先推导出了测量模型中传感器对目标观测的信任度和全局密度,然后利用简单的观测报告,通过仿真得出了直观的多目标测量图。根据多传感器测量结果,提出了简单的均匀独立分布模型和基于先验标识的指派状态估计模型。从与其它算法的比较结果看,该方法有一定的优势。还尝试在对称多项式理论的基础上,联合应用随机集理论,构建新的评估各种算法误差的方法。
本论文的课题结合了两个基金资助项目,有较好的应用背景.本着为问题寻找方法,用方法解决问题的思路展开课题的研究,有以下的创新成果:1.分别从修改组合规则和修改证据源两方面入手,提出了几种新的基于证据关联的高效强收敛证据组合方法,并用于识别小目标;
2.提出了一种新的将随机集理论用于系统辨识的方法,成功地把随机集理论用于了时间序列系统的分析和辨识中;
3.提出了一种新的用数学形态学技术释义随机集的方法,成功地将数学形态学和随机闭集结合起来用于识别小目标;
4.提出新的基于随机集的多目标测量模型和状态估计模型。