论文部分内容阅读
多源传感器数据融合技术在目标检测中应用广泛,能够很大程度提高目标检测的可靠性,准确性,对跨学科领域如目标跟踪,目标识别具有很大作用。目前,世界各国都在研究多源传感器数据融合,积极研究其理论和实践应用,特别是战场环境的应用、灾害区的应用等。本文主要研究了多源传感器数据融合下的目标检测融合规则,主要工作如下:1、研究了多源传感器数据融合模型,研究了多源传感数据融合下的目标检测问题,分析了集中式目标检测和分布目检测框架的优缺点,重点研究了分布式目标检测中的并行拓扑结构;分析了经典Chair-Varshney融合规则和Counting Rule融合规则的原理和影响因素。2、研究了基于传感器失效的融合规则,深入分析了传统的目标检测融合问题,大部分文献考虑了能量消耗问题,信道噪声问题,传感器区域覆盖问题,安全问题,很少有考虑传感器失效的问题。本文考虑了传感器失效的问题,引入了可靠性理论中的Bathtub-Shaped的失效率,建立了传感器失效的概率,修改了经典Chair-Varshney的目标检测融合规则,得到了扩展的似然比融合规则,并对其做了数值仿真,可以发现随着传感器失效的增加,融合中心的性能逐渐下降,而扩展的似然比融合规则能够优于传统的融合规则的性能。3、研究大数据处理方法中的机器学习方法,将其应用到多源传感器数据融合中,深入探讨了Counting Rule融合规则和K/N融合规则的本质,挖掘出其共同的特征,研究了基于逻辑斯回归的融合规则(Logistic Regression Fusion Rule,LRFR)和基于逻辑斯回归的融合规则的算法(Logistic Regression Fusion Algorithm,LRFA),最后通过数值仿真,研究了LRFR的性能和目标信号的功率变化对采用LRFR的融合中心系统性能的影响,比较了LRFR和K/N融合规则的性能,以及LRFR和Counting Rule融合规则的性能,得出了LRFR的优点是有一套完善的优化算法,能够容易地得到模型的参数,同时也发现了其缺点是需要样本,样本的数量和质量对其有着非常大的影响。