1 中国空空导弹研究院，河南洛阳 471009
2 西安微电子技术研究所，陕西西安 710054
3 南京理工大学电子工程与光电技术学院，江苏南京 210094
针对基于预测融合的跟踪航迹融合模型（ FP-TFM）在多传感器航迹融合时由于大量的矩阵运算导致的跟踪发散或失效问题提出了一种改进的基于预测融合的跟踪航迹融合模型（ FP-ITFM），采用加权融合思想改进了 FP-TFM的融合规则，使得改进后的 FP-ITFM具有了较高的融合精度、较低的计算负载，同时增加了 FP-ITFM的可扩展性、实时性以及稳定性。最后，Monte Carlo仿真结果验证了所提出模型的有效性。
跟踪航迹融合 多传感器数据融合 加权融合 状态估计 卡尔曼滤波 track fusion multi-sensor data fusion weighted fusion state estimation Kalman filter
目标识别中，来自多传感器的数据通常包含诸多不确定性。在D-S证据理论框架下，提出一种基于加权信度熵的传感器冲突数据融合与目标识别方法。首先，将辨识框架（FOD）中包含的不确定信息融入新近提出的Deng熵模型；随后，采用加权Deng熵量化不同传感器数据源中的不确定性；最后，实现传感器冲突数据融合与目标识别决策。数值仿真及不同方法的比较分析结果验证了所提方法的合理性与有效性。
传感器数据融合 目标识别 D-S证据理论 信息熵 Deng熵 sensor data fusion target recognition Dempster-Shafer evidence theory belief entropy
空中目标意图识别是战场态势评估的一个重要部分, 它直接关系到指挥员的作战决策。针对复杂战场环境下目标信息的多源性和不确定性, 提出了一种基于置信规则库(BRB)和证据推理(ER)的目标意图识别方法。首先, 建立了一种新的融合目标多源信息的BRB-ER意图识别模型; 其次, 建立了多参数优化模型优化系统初始参数, 以提高识别精度。最后, 采用某舰艇实际测得的目标信息对该方法进行了验证, 结果表明, 提出的方法能有效对空中目标意图进行识别。
目标意图识别 置信规则库 证据推理 多传感器信息融合 target intention recognition belief-rule-base evidential reasoning multi-sensor data fusion
1 电子科技大学，成都 611731
2 中国电子科学研究院，北京 100041
基于固定多传感器误差估计EX方法，针对机载平台存在姿态角系统误差的问题，采用拓展卡尔曼滤波对非线性量测方程线性化近似，利用相同的随机点目标，在对目标的状态估计和误差估计之间的协方差不做近似的情况下实现它们的解耦合，提出了一种改进的多机载传感器系统误差精确估计（EEX）方法。仿真结果表明, 相对于MLRM方法，EEX方法估计精度提升了近30%。通过目标状态估计得到的传感器误差伪测量的加性噪声都是零均值和方差已知的高斯白噪声，使得估计结果非常接近Cramer-Rao下界（CRLB），说明此估计方法是一个充分估计。
多传感器数据融合 机载传感器 姿态角误差 误差估计 拓展卡尔曼滤波 Cramer-Rao下界 multi-sensor data fusion airborne sensor Euler angle bias bias estimation EKF CRLB
1 中国空空导弹研究院, 河南 洛阳 471009
2 西安交通大学计算机科学与技术系, 陕西 西安 710049
自学习最小二乘加权数据融合算法已被广泛地应用于融合多传感器系统中的量测信息。但是, 通过深入的理论分析和实验仿真发现, 自学习最小二乘加权数据融合算法在进行双传感器数据融合时具有较差的融合精度, 同时该算法还具有较差的抗干扰性及稳定性。基于以上研究结果, 提出了一种基于全局状态估计的多传感器加权数据融合算法, 采用卡尔曼滤波的状态估计特性及相关历史信息, 使得状态的估计值能够充分逼近真实值, 从而使得算法具有较高的融合精度及抗干扰性。最后, Monte Carlo仿真结果显示, 相比于已有算法, 提出的算法在融合精度及抗干扰性方面具有明显地提高。
多传感器数据融合 方差估计 状态估计 卡尔曼滤波 multi-sensor data fusion variance estimation state estimation kalman filter
1 西交大智能网络与网络安全教育部重点实验室，机械制造系统工程国家重点实验室，电信学院，综合自动化研究所，陕西 西安 710049
2 上海交通大学电子信息学院，上海 200240
3 西南大学计算机与信息科学学院，重庆 400715
4 西交大学智能网络与网络安全教育部重点实验室，机械制造系统工程国家重点实验室，电信学院，综合自动化研究所，陕西 西安 710049
5 空军工程大学电讯工程学院，陕西 西安 710077
Dempster-Shafer证据理论是信息融合领域中的一种重要的理论与方法.然而在实际应用中，Dempster证据组合规则无法有效处理高冲突证据组合问题，往往引发反直观结果.针对这一问题，提出一种新的加权证据组合方法.该方法同时利用证据距离和证据不确定度来生成权重进而修正待征组合证据，并取得合理的组合结果.实验结果表明所提方法具有更快的收敛速度，能有效应对高冲突证据组合问题.
证据理论 传感器数据融合 距离函数 不确定度 evidence theory sensor data fusion distance function uncertainty measure
1 哈尔滨工业大学空间光学工程研究中心, 黑龙江 哈尔滨 150001
2 北京跟踪与通信技术研究所, 北京 100094
3 国防科技大学电子科学与工程学院, 湖南 长沙 410073
针对红外图像目标检测性能问题，从多传感器融合算法的典型流程出发，推导单帧检测性能、多帧检测性能和多传感器融合性能的关系，并从理论上对单个因素的影响进行定量分析.分析结果表明，多传感器融合的性能比单帧检测性能和多帧检测性能更优越.
红外图像 检测性能 多传感器融合 infrared image detection performance multi-sensor data fusion
1 第二炮兵工程学院,西安 710025
2 西北工业大学,西安 710072
为了对充满不确定性与模糊性的空中目标识别数据进行处理,提高空中目标多传感器融合的准确性和可靠性,提出以模糊贝叶斯网络为基本结构的多传感器数据融合模型。该模型能够对清晰连续变量通过模糊化和去模糊化操作变换成离散变量,而且基于模糊贝叶斯网络的建模方法能够组合多种证据进行不确定性表达和推理。通过详细分析空中目标识别的推理规则,建立了空中目标识别的贝叶斯网络拓扑结构,提出了贝叶斯推理算法对多种证据进行融合计算的模型。识别实例表明该模型能够融合不同信息源的数据,有效地提高空中目标识别的效率。
空中目标识别 模糊贝叶斯网络 多传感器融合 贝叶斯概率推理 aerial target recognition fuzzy Bayesian network multi-sensor data fusion Bayesian probability reasoning
