论文部分内容阅读
随着微电子技术、计算机技术、传感器技术的发展,多源信息融合技术已逐步发展为一个新的研究方向,并得到了广泛应用。本文针对多源引导信息融合的特点,在其模型框架中分析了多源引导信息融合的几个关键技术,重点研究了其中的目标识别和威胁估计两个方面,提出相应的方法,应用于某光电引导跟踪系统中。本文的主要工作和贡献如下:1.介绍了光电引导跟踪系统多源引导信息融合的基本理论和模型框架,对其中目标识别和威胁估计技术的研究情况进行了归纳总结;介绍了现有目标识别和威胁估计的相关算法,分析了各自的优缺点,并确定了本文所采用的主要技术手段。2.针对区间直觉模糊集和灰关联分析的特点,提出了一种基于区间直觉模糊灰关联分析的目标识别算法,应用于光电引导跟踪系统的目标识别过程中。该方法根据多源引导信息来获取目标特征参数,采用区间直觉模糊数来表征特征参数对目标类别的隶属度和非隶属度,形成目标识别矩阵。从中提取出正、负理想识别策略,采用灰色关联理论对识别矩阵进行分析,从而建立各目标类别的灰关联序。实验结果表明,基于区间直觉模糊灰关联的目标识别算法的识别误差小于采用单一方法的识别误差,并且能够避免组合爆炸问题。3.针对传统方法在比较直觉模糊值和区间直觉模糊值时的不足,提出了综合函数法,应用于对目标识别矩阵的分析过程中。该方法对得分函数和精确函数进行加权融合,并利用决策结果对加权因子进行自适应调节。综合函数法可以有效改善传统方法中由于净利润最大化而带来的缺陷,并对两模糊值之间的差值提供一个估计。4.针对粒子群优化算法(PSO)和BP神经网络的特点,对PSO算法进行了改进,提出了基于改进PSO算法优化BP神经网络(MPSO-BP)的目标威胁估计算法,应用于光电引导跟踪系统的目标威胁估计过程中。该方法采用PSO算法优化BP神经网络的初始权值和阈值,在PSO优化过程中引入变异过程,并对加速因子进行自适应处理,以避免粒子种群的快速趋同效应,使优化后的BP神经网络能够更好地预测输出。实验结果表明,MPSO-BP网络的预测误差小于BP网络和PSO-BP网络,并且能够较好地解决对于小样本训练问题,避免神经网络陷入局部极值。5.针对萤火虫优化算法(GSO)、磷虾群算法(KH)和支持向量机(SVM)的特点,建立了基于GSO算法优化SVM(MGSO-SVM)、以及KH算法优化SVM(KH-SVM)的目标威胁估计模型,并提出了基于各自模型的算法,应用于光电引导跟踪系统的目标威胁估计过程中,使优化后的SVM网络能够更好地完成目标威胁估计。实验结果表明,GSO-SVM和KH-SVM的预测误差明显小于SVM。