论文部分内容阅读
当传统的信号处理技术难以满足复杂智能系统对信息的多层需求时，多模态信息融合技术便应运而生，并显示出了强大的信息处理能力。我们将研究的重点放在目标识别融合技术，是因为很多领域的问题都可以归属于目标分类和识别的范畴。此外，自动目标识别己成为当今世界各国军备发展的重点之一，而目标识别融合是实现自动目标识别的重要途径。所以，研究面向目标识别的多模态信息融合具有重要的理论和实践价值，其研究成果可广泛应用于军事和民用领域。本文的主要研究工作如下：
1)提出了基于融合功能和信息层次的多模态信息融合的一般功能模型：FH模型，为信息融合领域的研究者提供了一个公共参考框架，并详细分析了多模态融合过程中信息的流向、信息流动时可能产生的融合层次及融合结构。
2)针对目前较少文献研究D-S证据理论的决策规则的状况，提出基于Pignistic概率的多信度决策规则并设计了3种Pignistic概率转换方法，可以有效地提高决策的精度，减少后续融合过程的计算量，同时缓解了D-S证据理论潜在的指数复杂性问题。本文方法对其它基于信度、隶属度的理论同样有效。
3)针对D-S证据理论中的证据冲突问题，提出了基于“交并集”和Pignistic概率的改进方法。证据融合顺序对融合结果没有影响，可以很方便地编程实现。
4)提出了D-S证据理论中的基本概率分配的获取方法，解决了D-S证据理论应用于实际系统时，基本概率分配难以获取的问题。
5)在粗糙集理论中，针对不完备信息系统，提出了基于差异关系和数据部分补齐的处理方法，并给出了相应的算法。
6)探讨了粗糙集理论中最小决策规则的求取方法，提出决策依赖度的定义，并提出了三种减少计算复杂性的方案，使计算量大幅下降。本文方法可以直接应用于不完备信息系统，因此具有良好的实用价值。
7)针对粗糙集理论只能处理离散数据的局限，提出了基于决策的剥离式连续属性离散化方法。离散化后的决策表总是相容的，这与目前很多离散方法不考虑决策相容性相比，能够最大限度地保留系统的有用信息。本文方法是领域独立的，可应用于不同领域的连续属性的离散化。
8)以集装箱号码自动识别系统为例，通过基于产生式规则的预处理融合算法和基于神经网络与D-S证据理论相结合的多分类器融合，实现了多模态信息融合技术在实际系统中的应用。