CN102663492A - 基于神经网络数据融合的机动目标跟踪系统 - Google Patents
基于神经网络数据融合的机动目标跟踪系统 Download PDFInfo
- Publication number
- CN102663492A CN102663492A CN2012100737305A CN201210073730A CN102663492A CN 102663492 A CN102663492 A CN 102663492A CN 2012100737305 A CN2012100737305 A CN 2012100737305A CN 201210073730 A CN201210073730 A CN 201210073730A CN 102663492 A CN102663492 A CN 102663492A
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- neural network
- target tracking
- data fusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于多传感器数据融合与神经网络技术领域,公开了一种基于神经网络数据融合的机动目标跟踪系统。主要包括传感器、A/D转换器、数据预处理单元、特征提取单元、粗神经网络数据融合单元、输出单元。传感器获得的目标数据经过A/D转换器转换成数字量后,通过数据预处理单元滤除干扰和噪声,再经过特征提取后,特征数据经过粗神经网络数据融合单元进行融合计算,最后由输出单元输出结果。通过粗神经网络数据融合单元处理进行数据信息组合,得到最佳协同效果,提高多传感器系统的有效性,消除单个传感器和少量传感器的局限性,提高目标跟踪定位的准确度。
Description
技术领域
本发明属于多传感器数据融合与神经网络技术领域,更具体地涉及一种基于神经网络数据融合的机动目标跟踪系统。
背景技术
在军事弹道导弹防御、空中预警、空中攻击等领域中,目标跟踪的应用受到各国广泛的重视。
多传感器跟踪产生多源信号,减少信号的不确定度给出信源更加完善的描述是关键技术问题,从而产生了多传感器数据融合的概念,这一概念源于人类的神经系统对于多种感觉器官的存活的能力,在现代研究领域中称之为神经网络,神经网络模仿人类的推理和模仿能力,将多传感器数据融合和神经网络更好的联系在一起,目的是根据源于同一目标的观测所具有的相似性,采用一定的分配策略将多个传感器进行分组划分,由于传感器观测过程中的不确定性因素,破坏了回波观测和目标源之间的对应关系,使各目标数据的互联对应关系出现了模糊。
20世纪70年代末,出现了基于多传感器数据融合意义的融合一词。数据融合是指对不同时间不同空间的多传感器资源数据,采用计算机技术对按时间序列获得的多传感器观测数据,在一定准则下进行分析、综合、支配和使用,获得对被测对象的一致性解释与描述,进而实现相应的决策和估计,使系统获得比它的组成部分更充分的信息。
20世纪80年代初,数据融合技术逐渐受到军方的重视,以军事应用为主的数据融合技术研究蓬勃发展起来。美国国防部将“多传感器数据融合”列为90年代重点研究、开发的关键技术之一,从1992年起,每年投巨资用于数据融合技术的开发和研究。
为实现多传感器数据融合,现有的检验理论,D-S证据推理理论、模糊理论以及专家系统等理论和方法,都在数据融合中的到了应用。
神经网络的基本单元是神经元,相当于数据融合的基本单位,两者都是多输入、单输出的器件,来完成非线性运算;数据融合一般可划分为三层,即原始数据层、特征层和决策层,同样能用三层的神经网络来描述,即输入层、隐含层、输出层;而数据融合的并行结构则对应于神经网络的层层相连结构。
而多传感器融合过程中,传感器输出并非一个值,如传感器同时输出目标属性数据、目标状态数据,或者是在观测的时间间隔内,传感器的输出是变化的,使用精确的值来进行神经网络的判断,也就降低了对目标跟踪的准确性。
发明内容
本发明公开了一种基于神经网络数据融合的机动目标跟踪系统,能够有效地将多传感器数据融合,解决目标发现、跟踪和识别问题,可以提高合成信息的质量,提高目标跟踪定位的精确度。
基于神经网络数据融合的机动目标跟踪系统,如图1所示,主要包括传感器、A/D转换器、输出单元、数据预处理单元、特征提取单元、粗神经网络数据融合单元。
传感器获得的目标数据经过A/D转换器转换成数字量后,通过数据预处理单元滤除干扰和噪声,再经过特征提取后,特征数据经过粗神经网络数据融合单元进行融合计算,最后由输出单元输出结果。
传感器的数据可以是实时的也可以是非实时的。
数据预处理单元滤除数据采集过程中引入的干扰和噪声。
特征提取单元主要提出被测目标的多种物理量。
粗神经网络数据融合单元对数据融合的处理方法包括以下步骤:
A:对不精确、不确定性数据进行处理,将每个神经元分为上、下两层分别代表粗糙集合的上下近似形成一个粗神经元;
B:确定粗神经元之间的传递函数;
C:神经元全互联的情况下,粗神经元上下两层输出结果相同;
D:传统神经网络的学习方法中的误差传递函数中的误差为上下层方差的均值;
E:数据融合结果输出。
采用多传感器数据融合的机动目标跟踪系统,其主要优点是增加了系统的生存能力,在有若干传感器不能利用或受到干扰,或某个目标不在覆盖范围时,总还会有一部分传感器可以提供信息,使系统能够不受干扰连续运行、弱化故障,并增加检测概率。
通过粗神经网络数据融合单元处理进行数据信息组合,得到最佳协同效果,提高多传感器系统的有效性,消除单个传感器和少量传感器的局限性,提高目标跟踪定位的准确度。
在同类传感器情况下,不论是等精度测量,还是非等精度测量,基于神经网络数据融合后的参数测量精度都可以得到显著提高。
在异类传感器情况下,神经网络能改善数据融合的质量,能够提高对机动目标的跟踪定位精度。
附图说明
图1为本系统的系统结构图。
具体实施方式
实施例
在多个实时传感器中,获取图形目标的传感器为电荷耦合器件。
数据预处理单元通过均值、滤波、消除趋势项、剔除野点等方法,滤除数据采集过程中引入的干扰和噪声。
在粗神经网络数据融合单元对数据融合的处理方法步骤B中,粗神经元之间的传递函数其中fu(x)为上传递函数,fl(x)为下传递函数。
上述实施例不以任何方式限制本发明,凡是采用等同替换或等效变换的方式获得的技术方案均落在本发明的保护范围内。
Claims (7)
1.基于神经网络数据融合的机动目标跟踪系统,主要包括传感器、A/D转换器、输出单元,其特征在于:系统还包括数据预处理单元、特征提取单元、粗神经网络数据融合单元;传感器获得的目标数据经过A/D转换器转换成数字量后,通过数据预处理单元滤除干扰和噪声,再经过特征提取后,特征数据经过粗神经网络数据融合单元进行融合计算,最后由输出单元输出结果。
2.根据权利要求1所述的机动目标跟踪系统,其特征在于:传感器的数据可以是实时的,也可以是非实时的。
3.根据权利要求2所述的机动目标跟踪系统,其特征在于:获取图形目标的传感器为电荷耦合器件。
4.根据权利要求1所述的机动目标跟踪系统,其特征在于:数据预处理单元滤除数据采集过程中引入的干扰和噪声。
5.根据权利要求4所述的机动目标跟踪系统,其特征在于:数据预处理单元主要方法包括去均值、滤波、消除趋势项、剔除野点。
6.根据权利要求1所述的机动目标跟踪系统,其特征在于:特征提取单元主要提出被测目标的多种物理量。
7.根据权利要求1所述的机动目标跟踪系统,其特征在于:粗神经网络数据融合单元对数据融合的处理方法包括以下步骤:
A:对不精确、不确定性数据进行处理,将每个神经元分为上、下两层分别代表粗糙集合的上下近似形成一个粗神经元;
B:确定粗神经元之间的传递函数;
C:神经元全互联的情况下,粗神经元上下两层输出结果相同;
D:传统神经网络的学习方法中的误差传递函数中的误差为上下层方差的均值;
E:数据融合结果输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100737305A CN102663492A (zh) | 2012-03-19 | 2012-03-19 | 基于神经网络数据融合的机动目标跟踪系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100737305A CN102663492A (zh) | 2012-03-19 | 2012-03-19 | 基于神经网络数据融合的机动目标跟踪系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102663492A true CN102663492A (zh) | 2012-09-12 |
Family
ID=46772973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100737305A Pending CN102663492A (zh) | 2012-03-19 | 2012-03-19 | 基于神经网络数据融合的机动目标跟踪系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663492A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018660A (zh) * | 2012-12-25 | 2013-04-03 | 重庆邮电大学 | 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法 |
CN110660082A (zh) * | 2019-09-25 | 2020-01-07 | 西南交通大学 | 一种基于图卷积与轨迹卷积网络学习的目标跟踪方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101183427A (zh) * | 2007-12-05 | 2008-05-21 | 浙江工业大学 | 基于计算机视觉的违章停车检测装置 |
CN101334475A (zh) * | 2007-06-27 | 2008-12-31 | 通用汽车环球科技运作公司 | 利用雷达数据融合估计目标仰角的方法 |
CN101807245A (zh) * | 2010-03-02 | 2010-08-18 | 天津大学 | 基于人工神经网络的多源步态特征提取与身份识别方法 |
CN102156476A (zh) * | 2011-04-14 | 2011-08-17 | 山东大学 | 智能空间与护士机器人多传感器系统及其信息融合方法 |
-
2012
- 2012-03-19 CN CN2012100737305A patent/CN102663492A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334475A (zh) * | 2007-06-27 | 2008-12-31 | 通用汽车环球科技运作公司 | 利用雷达数据融合估计目标仰角的方法 |
CN101183427A (zh) * | 2007-12-05 | 2008-05-21 | 浙江工业大学 | 基于计算机视觉的违章停车检测装置 |
CN101807245A (zh) * | 2010-03-02 | 2010-08-18 | 天津大学 | 基于人工神经网络的多源步态特征提取与身份识别方法 |
CN102156476A (zh) * | 2011-04-14 | 2011-08-17 | 山东大学 | 智能空间与护士机器人多传感器系统及其信息融合方法 |
Non-Patent Citations (1)
Title |
---|
栾英宏: ""毫米波主被动复合近程探测目标识别方法研究"", 《信息科技辑》, 15 August 2010 (2010-08-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018660A (zh) * | 2012-12-25 | 2013-04-03 | 重庆邮电大学 | 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法 |
CN103018660B (zh) * | 2012-12-25 | 2015-04-22 | 重庆邮电大学 | 采用量子Hopfield神经网络的模拟电路多故障智能诊断方法 |
CN110660082A (zh) * | 2019-09-25 | 2020-01-07 | 西南交通大学 | 一种基于图卷积与轨迹卷积网络学习的目标跟踪方法 |
CN110660082B (zh) * | 2019-09-25 | 2022-03-08 | 西南交通大学 | 一种基于图卷积与轨迹卷积网络学习的目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408324B (zh) | 基于d‑s证据理论的多传感器信息融合方法 | |
CN103439472B (zh) | 基于遥感监测及改进证据融合技术的湖库蓝藻水华识别方法 | |
CN101697006B (zh) | 基于机载雷达和红外成像传感器数据融合的目标识别方法 | |
CN105046067B (zh) | 基于证据相似度的多传感器信息融合方法 | |
CN101853531B (zh) | 基于预分类技术和rbf神经网络的直升机飞行状态识别方法 | |
CN103246702B (zh) | 一种基于分段形态表示的工业序列数据缺失的填补方法 | |
CN1389710A (zh) | 多传感器多目标信息融合方法 | |
CN112115822B (zh) | 一种水下移动目标智能融合感知方法 | |
CN104714225B (zh) | 一种基于广义似然比的动态规划检测前跟踪方法 | |
CN103824280B (zh) | 一种台风中心提取方法 | |
CN104021392B (zh) | 一种基于向量度量的冲突证据融合方法 | |
CN103198480A (zh) | 基于区域和Kmeans聚类的遥感图像变化检测方法 | |
CN108168577A (zh) | 基于bp神经网络的mems陀螺随机误差补偿方法 | |
CN102890875A (zh) | 一种获取海上智能交通网络的系统碰撞风险的方法 | |
CN108093213B (zh) | 一种基于视频监控的目标轨迹模糊数据融合方法 | |
CN102663492A (zh) | 基于神经网络数据融合的机动目标跟踪系统 | |
CN106644035B (zh) | 一种基于时频变换特性的振动源识别方法及系统 | |
CN113985406B (zh) | 一种海上雷达目标航迹拼接方法 | |
Cribari et al. | Landscape changes in the Southern Coalfields of West Virginia: multi-level intensity analysis and surface mining transitions in the Headwaters of the Coal River from 1976 to 2016 | |
CN103955622B (zh) | 一种机载多传感器目标识别系统与方法 | |
Lee et al. | Development of priority index for intelligent vessel traffic monitoring system in vessel traffic service areas | |
CN104008365A (zh) | 基于图像处理技术的检测果树树叶稀密程度的方法 | |
Angayarkkani et al. | An effective technique to detect forest fire region through ANFIS with spatial data | |
Zhu et al. | A Method to Construct an Environmental Vulnerability Model Based on Multi-Source Data to Evaluate the Hazard of Short-Term Precipitation-Induced Flooding | |
CN108956140A (zh) | 一种输油泵轴承故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120912 |