基于神经网络的多平台多目标位置数据融合
基于小波神经网络的数据融合诊断系统
98
火 力 与指 挥 控 制
2008 年 增 刊
射关系分解成为较低维空间的映射关系, 从而解决单个 神经 网络进行故障诊断中出现的问题。 即通过信号的有效组合, 用各种子小波神经网络从不同侧面诊断设备故障, 最大 限度 地提高确诊率。
软件设计才是系统的核心。 本系统软件由驱动程序、 数据采 集、数据 预处理、 数 据存 储 、 状 态检 测和诊 断分 析 5 部分 组 成、 程 序运 行 时采 用图 形 化软 面 板 显示、 可 进 行 设定 与 调 节。 通过测试液压系统工作时各点有用的信息, 以及油温和 阀芯 位移等几方 面的数据信 息, 结合 故障机理 及失效 分析, 找出数据信息和故障元件之间的映射关系, 然后对采集的数 据信息进行融合, 形成基于知识推理的多传感器数据融合故 障诊断方法, 从而准确诊断出故障元件诊断的具体模型。 测 试系统结构框图如图 1 所示。
引 言
在现代钢铁 企业中, 结晶器是 炼钢工艺 的核心 设备, 同 时为了保证连铸生产的顺利进行, 需要通过一个振动装 置使 结晶器按一定的规律振动, 其性能的好坏或工作正常与 否是 决定钢质量和产量的关键 。 由于结晶器液压伺服系统是一个 机电液综合 控制系统, 可能的故 障源比较复 杂, 使用传统 的 诊断方法已经不能满足生产的实际需要 。 近年来信息融合技 术的发展使故障诊断达到一个新的篇章 。 本文从小波神经网 络技术出发, 总结多 传感器信息 融合技术, 研究 基于小波 神 经网络技术的结晶器数据融合诊断系统 。
Vol . 33, S up p lem ent A p ril, 2008
火 力 与指 挥 控 制
F ire Co nt ro l and Comm and Co n tro l
基于神经网络的压力传感器数据融合
Ａ ｓ ａｔ ￣ａｓ ｒ ｓｒ ＰＳＹｓ ｂｔ ｃ：ｇ ｃＬｅ ｅ ｕｅＳ ￣ ｒ ｌｐｓ ＪＯ ｉ
．
ｅ ｙｎ ｎｏｊ ｔ ｎｐｒｍｅｅ ｅａｐｉ ｔ ｎ ． ｅｏｔｕ ｄ ｒ 一 ｄｂ ｏ —ｂｅ ｉ ａａ ｔｒｎｔ ｐ ｌａｉ ｓｔ ｕｐ ｔ ｐｅ ｃｏ ｉ ｈ ｃ ｏ ｈ ｓ
１ 神经 网络 训 练样本 库 的建 立
１ １ 获取 样 本数 据
压力 数值不变 的情况下， 工作 温度 ｔ 变化 以及供 电电源波动ｙ 设 ｙ为电流波动系数） （ 都将 引起传感 器输 出电压 ［ 发生变化， 』 即该压力传感器除受 目标
参 量 的影 响外 ， 受 两个非 目标 参量 ｔ ｙ影 响 ， 还 和
ｙ。 ）在数据测试 中， 同时采用压力传感器 、 温度传感 器、 电流传感器， 温度传感 器测试压力传感器的工作 温度 ， 电流传感器测试电源 的波动系数 ｙ 在不同工 。 作温度 ｔ２ ， ，０ ， （０ ４ ６ ℃） 电流波动系数分别为（％， ０ ３
一
１ ， ％） ％ 一３ 条件下 ， ｃ Ｊ１ １ 对 Ｙ 一０ 型压力传感器 的
ｆｅｉｎｂ ｓｄ ｏ ｅ ｒｌ ｅｗｏｋ ｄ ｔ ｕｉｎ ｉ ｌ ｓｂｅ ｅ ｔ ａｅ ｎｎ ｕａ ｔ ｒ ａａｆｓ ｅ ｉｌ． ｏ ｎ ｏ Ｓ ａ
Ｋｅ ｒ ｓ ｐ ｅｓ ｒ ｅ ｓ ｒ ｅ ｔａ ｅ ｗｏ ｋ；ｄ ｔ ｕ ｉｎ ｙｗｏ ｄ ： ｒ ｓｕ ｅ ｓ ｎ ｏ ；ｎ ｕ ｒ ｌｎ ｔ ｒ ａａ ｆ ｓｏ
维普资讯
２ ０ 年 第 ２ 卷 第 ４期 ０２ Ｌ
传感器技术 （ｏ ｒａ ｏ ｒ ｓｕｅ ｃ ｎ ｌ ｙ Ｊｕｎｌ ｆ ａ ｄｃｒ ｈ ｏｏ ） Ｔｎ Ｔｅ ｇ
鞭 霹
基 于神 经 网络 的压 力 传 感器 数 据 融 合
基于神经网络的多机动目标跟踪算法
神 经 网络 数 据 关 联 算 法 （ ＮＤＡ） Ｊ ＤＡ 的 基 在 Ｐ 础上 ， 过对似 然矩 阵 的处理 ， 够得 到有 效 的量测 通 能
与 目标 的对应 关 系 即最 佳 关联 假 设 ， 时还 具 备 了 同 跟 踪起始 和 终结 的 作 用 ， 大减 少 了 计算 量 。基 于 大 Ｎ ＤＡ算 法得 到的最 佳关 联假 设 ， 将简 化信 息融合 并 行 自适 应滤波 算法 与该 关联 算法 结合 进行 多机 动 目 标 的状 态滤波 与 预 测 ， 保证 了对 多 机 动 目标 的 跟踪
维普资讯
２ ０ 年 １ 月 ０６ ０
西 北 工 业 大 学 学 报
Ｊ ｕ ｎ ｌｏ ｒｈ ｓｅ ｎＰｏｙ ｅ ｈ ｉａ ｉｅｓｔ ｏ ｒ ａ ｆＮｏ ｔｗｅ ｔｒ ｌ ｔｃ ｎｃ ｌＵｎｖ ｒｉｙ
ＯＣ ． ｔ
２０ ０６
第 ２ 卷第 ５ ４ 期
算 法
在 多 目标 跟 踪 问题 中 ， 定所 获 得 的量 测与 对 确
收 稿 日期 ：０ ５０ —９基 金 项 目 ： 空 基 础 科 学 基 金 （５ ３ ２ ） ２ ０ —９０ 航 ０Ｄ５ Ｏ １ 和西 北 工 业 大 学 电子 信 息 学 院 研 究 生 创 新 实 验 室 资 助 作者简介 ： 李 辉 （９ ８ ）西 北 工 业 大 学 副教 授 ， 要从 事 通 信 信 号 及 雷 达 数 据 处 理 的 研 究 。 １６ 一 ， 主
方法 基础 上引 入神 经 网络 。 主要 思想 是 ， 正时 刻 其 在
找 出一 个关 联 概率 最 大 的量 测 去更新 对应 目标 的状
态 ， 他 目标状 态 的更 新 与该 量 测和 目标 无关 。显 其 然 ， 有 ２个 或多 个量 测 与给定 目标 关联 概率相 同 ， 若
基于集成学习的多模态数据融合方法研究
基于集成学习的多模态数据融合方法研究Introduction多模态数据融合是一种将来自不同传感器、不同来源的多个数据进行整合处理的技术。
集成学习是一种通过将多个基学习器进行组合，从而提高模型性能的机器学习方法。
本文将介绍基于集成学习的多模态数据融合方法。
Background多模态数据融合在许多领域有着广泛的应用，如语音识别、图像处理、医学图像分析等。
多模态数据融合技术将来自不同传感器、不同来源的多个数据进行整合处理，以提高模型性能，具有很大的应用前景。
而集成学习是一种流行的机器学习方法，该方法将多个基学习器进行组合，以提高模型的泛化能力。
Methodology在多模态数据融合过程中，通过将来自不同传感器、不同来源的数据进行融合，可以得到更多的信息。
在集成学习中，有多种基学习器可供选择，如决策树、神经网络、支持向量机等。
在基于集成学习的多模态数据融合方法中，首先需要将不同模态的数据进行处理，以便能够将它们组合成一个整体。
处理的方法可以是归一化、降维等预处理方法。
接下来，需要选择合适的基学习器进行训练。
在集成学习中，通常会采用多个基学习器进行训练，以提高模型的泛化能力。
基学习器可以是同质的，也可以是异质的。
同质的基学习器是指使用同一种学习算法得到的多个模型，异质的基学习器是指使用不同学习算法得到的多个模型。
在训练基学习器之后，需要将它们进行组合。
常见的组合方法有交叉验证、boosting、bagging等方法。
其中，boosting方法是一种通过给予错误样本更高的权重，以提高分类器在错误样本上的准确率的方法。
Bagging方法则是通过使用自举样本，以提高模型的稳定性。
Result and discussion基于集成学习的多模态数据融合方法可以提高模型的性能。
使用不同的基学习器，可以得到不同的结果。
在不同的应用场景下，需要根据实际需求选择合适的基学习器进行组合，以提高模型的泛化能力。
同时，需要对多个模型进行优化，以避免模型欠拟合或过拟合。
模糊神经网络和多传感器数据融合的系统设计——海底管道腐蚀监测系统
超声 波 的往返 传播 时 问即可 计算 出壁 厚 。管道 等铁 性材 料磁 化后 ， 陷处磁 力线 发生 变 形 ， 用 磁 敏元 件 缺 利
检测 部分 泄露 的磁 力线 ， 能够 判 断是否 存 在缺 陷 。 变薄 的油 管会 引起磁 通 分布 不均 ， 时 的磁 通 分 为 三部 分 ： 油 管 内部 绕 过 缺 陷 的部 分磁 通 ； 穿 过 这 ① ②
１ ２ 传感 器检 测原 理 ．
海底 管道 管壁 受腐 蚀变 为程 度不 同 的壁厚 。将 超声 波探 头放 在水 或油 中 ， 用超 声 波 的反 射特 性 ， 利 探
头 向管壁 发射 超声 纵波 ， ｔ 、２时刻 分别 接收 到 内外壁 的首 脉 冲 ， 在 １ｔ 超声 波 的传 播 速度 已知 ， 通过 测量得 到
１ 系统 的结 构及 工 作原理 １ １ 系统 的基本 组成 ．
整个 系 统 由三组传 感器 构成 ， ６个传 感 器经 多路 数据 采集 部 分得 到 原 始 的数据 ， 模 糊神 经 网进 行 多 按 传感 器数 据 融合处 理后 ， 结果 被记 录 和输 出显示 。传 感 器采 用 超声 传感 器 和 漏磁 传感 器 ， 计 了带 有 ３ 其 设 个超 声检 测探 头和 ３个 漏磁 检测 探头 的探 头臂 。整个 爬 行 机 构靠 自带 电 池 ， 由计 算 机 控制 在 海底 输 油 管 道 中行进 ， 过高速 Ａ／ 通 Ｄ转换 器采 集 多路 传感 器 信 号 ， 得 多路 原 始 数 据 。对 多路 原 始数 据 进 行小 波 变 获 换 和频谱 分析 ， 提取 多 种不 同属性 参数 ， 用模 糊 神 经 网络 对 多路 信 息 融 合 ， 高对 输 油管 道 腐 蚀 的识 别 利 提 精 度 ， 而对 海底输 油 管道存 在 的腐蚀 区域进 行准 确定位 。 从
基于正交基神经网络算法的多传感器数据融合方法
１Ｃ ｌ ｇ ｆＥ ｅｔｉ ｌ＆ Ｉｆ ｒ ｔ ｎＥｎ ｉｅｒｎ Ｃ ａ ｇｈ ｎｖｒｉ ｆＳ ｉｎｅ Ｔ ｃｎ ｌｇ Ｃ ａ ｇ ｈ １０ ６ Ｃ ｉａ． ． ｏｌ ｅ ｌｃｒｃ ｅ ｏ ａ ｎ ｏｍａｉ ｇｎｅｉｇ， ｈ ｎ ｓａＵ ｉｅｓｔ ｏ ｃ ｃ＆ ｅｈ ｏｏ ｙ， ｈ ｎ ｓａ４ ０ ７ ， ｈｎ 、 ｏ ｙ ｅ ／ ＼ ．Ｃ ｌｅ ｅ ｆ Ｅｅｔｉ ｌ Ｉｆｏｍａ ｉ ｎ ｉｅｒｎ ２ ｏｌｇ ｌｃｒ ａ ＆ ｔ ｒ ｔ ｎＥ ｇｎ ｅｉｇ，Ｈｕ ａ ｎｖｒｉ ｏ ｃ ， ｆ ｏ ｎ ｎＵ ｉｅｓｙ，Ｃ ａ ｇｈ １０ ２ Ｃ ｉａ ｔ ｈ ｎ ｓａ４ ０ ８ ， ｈｎ ／
经 网络算法 ， 用基于递推最小 二乘法 的神经 网络算法对各传感器的量测数据 进行处理 ， 并用神经 网络 输出结果 的平 均值 来实 现多传感器 的数据融合． 为了验证算法 的有效性 ， 出了多传感器数据融合 的仿 真实例． 究结果表 明， 于递推最小二 乘法 给 研 基 的多传感器 数据 融合 的正交基神经网络算法是 有效 的．
维普资讯
第２ ０卷
第 ６期
传 感 技 术 学 报
Ｃ Ｎ Ｅ Ｊ Ｒ Ｌ Ｆ ＳｅＳ ＲＳ Ａ ＨＩＥＳ ＯＵ ＮＡ Ｏ ｔＮ Ｏ ＮＤ Ｃ Ａ ＲＳ Ａ ＴＵ ＴＯ
Ｖ０ ． Ｏ Ｎｏ ６ １２ ．
２０ ０ ７年 ６月
Ｊ Ｎ．０ ７ Ｕ ２ ０
ｔ ｅｍｕ ｔ ｓ ｎ ｏ ｆ ｒ ｔ ｎ ｆ ｓｏ ｓ ｇｖ ｎ Ｔｈ ｅ ｕ ｔｓ ｏ ｈ ｔｔ ｅ ｉｆ ｒ ｔｏ ｕ ｉｎ ａ ｐ ｏ ｃ ｆ ｈ ｌｉ ｅ ｓ ｒｉ ｏ ｍａ ｉ ｕ ｉｎ ｗａ ｉｅ ． — ｎ ｏ ｅ ｒ ｓ ｌ ｈ ｗｓｔ ａ ｈ ｎ ｏ ｍａ ｉｎ ｆ ｓｏ ｐ ｒ ａ ｈ ｏ ｍ ｕｔ・ｅ ｓ ｒｕ ｉｇ ｏ ｔ ｏ ｏ ａ ａ ｉ ｅ ｒ ｌ ｅｗｏ ｋ ｂ ｓ ｄ ｏ ｈ ｅ ｕ ｓｖ ｅ ｓ ｑ ａ ｅａｇ ｒｔ ｍ ｓｅｆ ｃ ｌ ・ ｎ ｏ ｓｎ ｒｈ ｇ ｎ ｌ ｓｓｎ ｕ ａ ｔ ｒ ａ ｅ ｎ ｔ ｅｒ ｃ ｒ ｉｅｌａ ｔｓ ｕ ｒ ｌｏ ｉｈ ｉ ｆｅ ・ ｉｓ ｂ ｎ ・
多平台多传感器多源信息融合系统时空配准及性能评估研究
多平台多传感器多源信息融合系统时空配准及性能评估研究1. 本文概述随着信息技术的飞速发展，多平台多传感器多源信息融合技术在众多领域，如军事侦察、环境监测、智能交通等，发挥着越来越重要的作用。
该技术通过整合来自不同平台、不同类型传感器以及多种信息源的数据，以提高信息处理的准确性和效率。
由于各种传感器在时空上的差异，如何有效地进行时空配准成为该领域研究的重点和难点。
本文旨在探讨多平台多传感器多源信息融合系统中的时空配准方法，并对不同方法的性能进行评估。
本文首先介绍了时空配准的基本概念及其在多源信息融合系统中的重要性。
随后，详细分析了目前常用的时空配准技术，包括基于滤波器的方法、基于图论的方法以及基于深度学习的方法。
进一步，本文对这些方法的优缺点进行了比较分析，并提出了改进建议。
本文通过仿真实验评估了这些方法的性能，为实际应用中的时空配准技术选择提供了参考依据。
本文的研究成果不仅有助于深化对多平台多传感器多源信息融合系统中时空配准技术的理解，而且对于推动相关领域的技术进步具有积极意义。
2. 相关理论与技术基础多平台多传感器信息融合理论是本研究的核心，其基础是信息融合的层次模型。
该模型通常包括三个层次：数据层融合、特征层融合和决策层融合。
数据层融合直接在原始数据上进行，不涉及数据解释，其优点在于保留了尽可能多的原始信息，但计算量较大。
特征层融合则是在提取特征后进行，减少了数据量，提高了处理速度，但可能会丢失部分信息。
决策层融合是在各个传感器独立做出决策后进行，其优点在于灵活性和鲁棒性较强，但要求各传感器具有高度的决策一致性。
时空配准是多源信息融合的关键技术之一，其目的是将来自不同时间和空间的信息进行对齐，以便进行有效融合。
时空配准主要包括时间配准和空间配准两个方面。
时间配准解决的是不同传感器数据在时间上的不一致问题，常用的方法有时间延迟补偿、插值等。
空间配准则是解决数据在空间上的不一致问题，常用的方法有坐标变换、投影变换等。
基于神经网络极限学习机数据融合的共轴跟踪
Ａｅ ｒ ｏ ｎ ａｕ ｔ ｉ ｃ ａＺ Ｉ ｎｄｕｓ ｔ ｒ ｙ Ｍ ａｎ ａｇｅ ｍｅ ｎｔ ，Ｚｈｅ ｎｇｚ ｈｏ ｕ，４５ ０ ０ １ ５，Ｃｈｉ ｎａ；
４ ．Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｓ ， Ｃ ｈ ａ ｎ ｇ ｃ ｈ ｕ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ， Ｃ ｈ ａ ｎ ｇ ｃ ｈ ｕ ｎ １ ３ ０ ０ ２ ２ ， Ｃ ｈ ｉ ｎ ａ ； ５ ．Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｅ ｌ ｅ ｃ ｔ ｒ ｉ ｃ ａ ｌ ａ ｎ ｄ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ， Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｃ ｈ ａ ｎ ｇ ｃ ｈ ｕ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ
文 献标 识 码 ： Ａ ｄ ｏ ｉ ： １ ０ ． ３ ７ ８ ８ ／ Ｏ Ｐ Ｅ ． ２ ０ １ ３ ２ １ ０ ３ ． ０ ７ ５ １ 中图分类号 ： Ｔ Ｐ １ ８ ３ ； Ｔ Ｐ ３ ９ １ ． ４
Ｏｎ — ａ ｘ ｉ ｓ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｇ ｂ ａ ｓ ｅ ｄ ｏ ｎ ＥＬＭ ｄ ａ ｔ ａ ｆ ｕ ｓ ｉ ｏ ｎ
基于深度学习的多模态数据融合与情感识别技术研究
基于深度学习的多模态数据融合与情感识别技术研究多模态数据融合与情感识别技术在当今社会中起着越来越重要的作用。
随着互联网和社交媒体的普及，人们在日常生活中产生的数据变得越来越多样化和丰富化。
这些数据包括文本、语音、图像和视频等多种形式的内容。
为了更好地理解人类情感和行为，多模态数据融合与情感识别技术应运而生。
多模态数据融合与情感识别技术主要是通过将不同形式的数据整合在一起，从而获得更全面、准确的情感信息。
深度学习作为一种强大的人工智能算法，为多模态数据融合与情感识别技术提供了有力的支持。
首先，多模态数据融合是将来自不同模态的数据信息进行有效组合，形成更加全面和准确的情感识别结果。
例如，我们可以将文本、语音、图像和视频等数据进行融合，从而更全面地捕捉到人类的情感表达。
基于深度学习的多模态融合方法通常包括两个步骤：特征提取和特征融合。
在特征提取阶段，深度学习模型可以自动学习到数据中潜在的情感特征。
而在特征融合阶段，深度学习模型可以将提取出的特征进行融合，得到更全面的情感识别结果。
其次，情感识别是一项关键的任务，它可以帮助我们更好地理解人类情感和行为。
基于深度学习的情感识别方法通常采用循环神经网络（RNN）或卷积神经网络（CNN）等模型。
这些模型可以自动学习到数据中的情感信息，并准确地判断出人类的情感状态。
此外，深度学习模型还可以通过迁移学习的方法，将在其他任务上训练得到的知识迁移到情感识别任务中，从而提高情感识别的准确性和稳定性。
基于深度学习的多模态数据融合与情感识别技术在许多领域具有广泛的应用前景。
首先，在社交媒体分析中，多模态数据融合与情感识别技术可以帮助我们更好地理解用户在社交网络上的情感表达。
这对于电商平台和广告公司等进行用户行为分析和用户情感分析至关重要。
其次，在医疗领域，多模态数据融合与情感识别技术可以帮助医生和医学研究人员更好地理解患者的情感状态，并提供个性化的医疗服务。
此外，在智能交通系统中，多模态数据融合与情感识别技术可以帮助我们更好地理解驾驶员的情感状态，从而提高交通安全性和驾驶体验。
lmf多模态融合算法_概述及解释说明
lmf多模态融合算法概述及解释说明1. 引言1.1 概述在当今信息爆炸的时代，多模态数据（如图像、文本、音频等）融合成为了一个重要的研究领域。
多模态融合算法能够将来自不同源的多个模态的数据进行有效整合，并从中提取出丰富而有用的信息，以解决实际问题和挖掘更深层次的知识。
近年来，随着深度学习技术的发展，多模态融合算法在计算机视觉、自然语言处理和语音识别等领域取得了显著进展。
1.2 文章结构本文主要讨论LMF（联合最大化-最小化准则）多模态融合算法，在以下几个方面对该算法进行介绍和解释。
首先，我们将介绍多模态数据融合的概念和背景知识，并简要回顾相关研究现状。
接着, 我们将详细阐述LMF算法的原理和核心思想。
然后，我们将探讨LMF算法在实际应用中的一些应用领域，并分析其优势与局限性。
随后, 我们将详细描述LMF多模态融合算法的步骤和流程，包括数据预处理、特征提取与选择、以及模态融合与权重分配等环节。
在接下来的部分中，我们将介绍实验设置和数据集，并选取相应的评估指标来衡量算法性能。
最后，我们将通过实验结果的分析和对比实验来验证LMF算法在多模态融合任务中的有效性与优越性。
最后,结论部分总结本文主要观点并展望未来多模态融合发展方向。
1.3 目的本文旨在全面介绍LMF多模态融合算法，并解释其工作原理、步骤以及在不同领域的应用场景。
通过对该算法进行逐步剖析，并结合实验结果分析，旨在揭示其潜力和优势，为研究者和开发者提供一种有效且有前景的方法来处理多模态数据融合问题。
此外，本文还将指出该领域尚待探索和解决的一些挑战，并展望未来可能的研究方向。
2. LMF多模态融合算法介绍：2.1 多模态数据融合概念:多模态数据融合是指将来自不同传感器或来源的多种类型的数据进行整合和处理，以提取更全面、准确的信息。
在现实世界中，我们面对着各种各样不同类型的数据，如图像、文本、语音等。
这些数据可以互相补充，融合后可以比单一模态的数据具有更高的表达能力和对任务的理解能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｉｔｇａｉｎ ｓｕ ｙ ｏ ｌ－ ｌ ｆｒ ｍｕｔ ｏｊｃｉｅｌｃｔ ｎ ｄ ｔ． ｈｏ ｇ ｅｉｎ ｏ ｈ ｔｔ ｔ ａ ｗｅｇ ｔ ｇ ａｇ ｒ ｈ ｎｅ ｒｔ ｔｄ ｆｍｕｔ ｐａ ｏｍ ｌ・ｂｅ ｔ ｏ ａｉ ａａ Ｔ ｒｕ ｈ ｄ ｓ ｆｔｅ ｓ ｉ ｉ ｌ ｉｈｉ ｌｏ ｉ ｍ ｏ ｉ ｔ ｉ ｖ ｏ ｇ ａｓｃ ｎ ｔ
理 。
关键 词 ： 目标 位 置；数 据 融合 ；ＢＰ神 经 网络 ； 统计 加权 算 法
中 图分类 号 ：Ｔ １３Ｔ ２４ Ｐ ８ ； Ｐ ７ 文献标 识 码 ：Ｂ
Ｍ ｕ ｔ Ｐ ａ ｆ ｒ Ｍ ｕ ｔ— ｉ ｃｉ ｅＬｏ ａ ｉ ｎ ＤａａＦｕ ｉ ｎ Ｂａ ｅ ｎ Ｎｅ ｒ ｌ ｔ ｒ ｌｉ ｌ ｔｏ ｍ ｌ Ｏｂ ｅ ｔｖ ｃ ｔｏ ｔ ｓｏ ｓ ｄ ｏ ｕ ａ ｗｏ ｋ — ｉ Ｎｅ
。 目标 位 置数 据 融
合 的公式为： １ 瓯 ＋
到 的包 含 有 目标 位 置数 据 序 列 等 目标 属 性 信 息 。作 战 指 挥 决 策 支 持 系统 的 融合 中 心 对 数 据 的处 理 主 要
０ 引 言
多 源 信 息 感 知 系 统 接 收 众 多 局 部 融 合 平 台 送 来 的关 于 目标 航 迹 序 列信 息 ，这 些 信 息并 不 是 原 始 的
信 息 ，而 是 各 局 部 融 合 平 台 经 过 信 息 融 合 处 理 后 得
，
在 Ｙ轴 上 的测 量 精 度 是
Ａｂｓｒ ｃ ：Ａｉ ｎ ｔ ｔ ｅ ｄ ｓ ｄ ａ ｔ ｇ ｓ ｏ ｈ ｒ ｄ ｔ ｎ ｌ ｄ ｒ ｃ ｉ ｈ ｅ ｕ ｉ ｎ ａ ｇ ｒｔ ｍ，ｔ ｅ ｔ ｅ ｉ ａ ｒｅ ｕ ｈ ｔａ ｔ ｍｉ ｇ ａ ｈ ｉａ ｖ ｎ ａ ｅ ｆ ｔ ｅ ｔａ ｉｉ ａ ｉｅ ｔ ｗｅ ｇ ｔ ｄ ｆ ｓ ｏ ｌ ｏ ｉｈ ｏ ｈ ｈ ｓ ｓ ｃ ｒ ｉ ｓ ｏ ｔｔ ｅ
摘要 ：针 对传 统 的直接 加 权 融合 算 法的缺 点 ，对 多 平 台多 目标位 置数 据 融合 进 行研 究 。通 过设 计 基 于 Ｂ 神 经 Ｐ 网络 的统 计加 权 算法 ，建 立数 据 融合 模型 。 并 以 ２个 观 测平 台 为例 ，进 行 １ 分钟 之 内的 目标航 迹数 据 的仿 真 实验 结 果表 明 ，该 算 法是 有效 、可行 的，且 精度 更 高， 能有 效对 融 合 中心获 得 的 关于 目标 位 置航 迹信 息进行 关联 融合 处
兵 工 自动 化
・２ ・ ８
２ ０Ｏ ０１ 。 ８
Ｏｒ ｎ ｎ ｅ Ｉ ｄｕ ｔ ｙ Ａｕｔ ｍ ａ ｉ ｄ ａ ｃ ｎ ｓｒ 神 经 网络 的多 平 台多 目标位 置 数据 融 合
盖 世 昌 ，许 腾 ０ 侯 博 ，
（ ．海 军指 挥 学院 研究 生 １队，江 苏 南京 ２ ０ １ ；２ １ １ ０ ６ ．海军 指挥 学 院 合 同战术 教研 室 ， 江苏 南京 ２ ０ １ ） １０ ６
ｂ ｓ ｄ ｏ ｅ ｒ ｌ ｅ ｗｏ ｋ ｔ ｅ ｄ ｔ ｕ ｉ ｎ ｍｏ ｅ ｌ ｂ ｓ ａ ｌｓ ｅ Ｗ ｉｈ ｔ ｅ ｅ ｍｐ ｅ ｆｔ ｂ ｅ ｖ ｔ ｎ ｐ ａ ｆ ｒ ， ｈ ａ ｅ ｎ ＢＰ ｎ ｕ ａ ｔ ｒ ， ｈ ａ ａｆ ｓｏ ｄ ｌｗｉ ｅ ｅ ｔ ｂ ｉｈ ｄ． ｔ ｈ ｘａ ｌ ｓｏ ｎ ｌ ｗｏ ｏ ｓ ｒ ａ ｉ ｌ ｔｏ ｍｓ ｔ ｅ ｏ ｔ ｒ ｅ ａ ｋ ｄ ｔ ｉ ｌ ｔｏ ｕ ｉ ｇ １ ｍｉ ｕ ｅｗｉｌ ｅ ｆ ｌｏ ｄ Ｔｈ ｅ ｕ ｔ ｈ ｗ ｈ ｔ ｈ ｌ ｏ ｉｈ ｉ ｆｅ ｔｖ ， ｅ ｓｂ ｅ ａ ｄ ａ ｇ ｔｔ ｃ ａ ａｓ ｍｕ ａ ｉ ｎ ｄ ｒ ｎ ｎ ｔ ｌ ｂ ｏ ｌ ｗｅ ． ｅ ｒ ｓ ｌｓｓ ｏ ｔ ａ ｅ ａ ｇ ｒ ｔ ｍ ｓ ｅ ｆ ｃ ｉ ｅ ｆ ａ ｉ ｌ ， ｎ ｒ ｔ ｏ ｉ ｈ ｒａ ｃ ｒ ｃ ， Ｏ ｒ ｌ ｔ ｇ ｅ ｆ ｃ ｉ ｅ ｙ ｔ ｅ ｆ ｓ ｏ ｆ ｎ ｏ ｍ ａ ｉ ｎ ｏ ｔ ｉ ｅ ｒ ｍ ｅ ｆ ｓ ｏ ｅ ｔ ｒｏ ｈ ｅ ｔｎ ｔｏ ａ ｋ ｆ ｇ ｅ ｃ ｕ ａ ｙ Ｃ Ｉｅ ａ ｉ ｆｅ ｔｖ ｌ ｈ ｕ ｉ ｎ ｏ ｆ ｒ ｔｏ ｂ ａ ｎ ｄ ｆ ｏ ｔ ｕ ｉ ｎ ｃ ｎ ｅ ｎ ｔ ｅ ｄ ｓｉ ａ ｉ ｎ ｔ ｃ ｈ ｎ ｉ ｈ ｒ ａ ｓ ｃａｉｎ ｄ ｔ ． ｓ ｏ ｉ ｔｏ ａ ａ Ｋｅ ｗｏ ｄ ： ａ ｇ ｔｌ ｃ ｔｏ ｄ ｔ ｕ ｉ ｎ ＢＰ ｎ ｕ ａ ｅ ｗｏ ｋ ｓ ａ ｉｔｃ ｌｗｅ ｇ ｔｎ ｌ ｏ ｉ ｍ ｙ ｒ ｓ ｔ ｒ ｅ ｏ ａ ｉ ｎ； ａ ａｆ ｓｏ ； ｅ ｒ ｌ ｔ ｒ ； ｔ ｔ ｉ ａ ｉ ｈ ｉ ｇ ａ ｇ ｒｔ ｎ ｓ ｈ
Ｇａ ｈ ｃ ａ ｇ 。 ｅ ｇ ． ｕ ＢＯ ｉ ｉ ｈ ｎ Ｘｕ Ｔ ｎ Ｈｏ Ｓ
（． ． ｒ ａ ｅｏ ｏ ｔｒｄ ａｅ Ｎａ ａ Ｃｏ １ Ｎｏ ２Ｂ ｉ ｄ ｆ ｓ ａｕ ｔ， ｖ ｌ ｍｍａ ｄＡｃｄ ｍｙ Ｎａｉｎ １ ０ ６ Ｃ ｉａ ｇ Ｐ ｇ ｎ ａ ｅ ， ｎｉｇ２ ０ １ ， ｈｎ ； ｉ ２ Ｓａ ｏ ｏ ｏ ｉｅ — ｒ ａｔ ｓ Ｎａ ａ Ｃｏ ． ｔｆ Ｒｏ ｍ ｆ ｍｂｎ ｄＡ ｍｓ ｃｉ ， ｖ ｌ ｍｍａ ｄＡｃｄ ｍｙ Ｎａｊｎ １０ ６ Ｃ ｉａ Ｃ Ｔ ｃ ｎ ａ ｅ ， ｎｉｇ２ ０ １ ， ｈｎ ）