光学专业毕业论文光学专业毕业论文 精品论文精品论文 目标跟踪系统中多传感器数据融目标跟踪系统中多传感器数据融合算法研究合算法研究关键词：传感器技术关键词：传感器技术 噪声测量噪声测量 机动目标跟踪机动目标跟踪 融合算法融合算法摘要：传感器技术和分布式计算方法的迅猛发展以及人们对系统控制便利性要 求的逐步提高，都极大的推动了多传感器技术在不同系统中的应用。与单传感 器系统相比，通过融合一系列传感器(通常为不同类型的传感器)的数据，多传 感器系统可以得到更加全面的信息。通常，单传感器系统所获得的信息具有不 完全性，且对数据获取方案具有较大的依赖性，所以这些基于固定算法的单传 感器系统在模糊识别、误差分辨以及不确定环境条件下的错误探测等方面都有 极大的欠缺。而多传感器系统通过数据融合技术，可以极大的消除单传感器方 案的不利因素。因此，多传感器系统可以提供更好的可信度、可靠性以及分辨 率。 本文首先总结了机动目标跟踪数据融合算法的发展历史、研究现状以及 未来的发展方向。随后介绍了跟踪融合系统中的一些基础算法和常用的融合算 法，并在此基础上，通过结合不同算法和模型，提出了一种基于自适应模糊神 经网络的多传感器数据融合算法(ANF-MDFA)。通常在目标跟踪系统中，加速度 与测量噪声是影响跟踪精度的两大主要因素，该算法通过神经网络、自适应模 糊神经推理系统(ANFIS)以及卡尔曼滤波器的结合，可以自适应的调整以上两个 跟踪参数，并融合不同传感器的数据获得更加精确的结果。仿真结果表明，该 算法可以通过调整跟踪参数有效的防止目标丢失。正文内容正文内容传感器技术和分布式计算方法的迅猛发展以及人们对系统控制便利性要求 的逐步提高，都极大的推动了多传感器技术在不同系统中的应用。与单传感器 系统相比，通过融合一系列传感器(通常为不同类型的传感器)的数据，多传感 器系统可以得到更加全面的信息。通常，单传感器系统所获得的信息具有不完 全性，且对数据获取方案具有较大的依赖性，所以这些基于固定算法的单传感 器系统在模糊识别、误差分辨以及不确定环境条件下的错误探测等方面都有极 大的欠缺。而多传感器系统通过数据融合技术，可以极大的消除单传感器方案 的不利因素。因此，多传感器系统可以提供更好的可信度、可靠性以及分辨率。本文首先总结了机动目标跟踪数据融合算法的发展历史、研究现状以及未来 的发展方向。随后介绍了跟踪融合系统中的一些基础算法和常用的融合算法， 并在此基础上，通过结合不同算法和模型，提出了一种基于自适应模糊神经网 络的多传感器数据融合算法(ANF-MDFA)。通常在目标跟踪系统中，加速度与测 量噪声是影响跟踪精度的两大主要因素，该算法通过神经网络、自适应模糊神 经推理系统(ANFIS)以及卡尔曼滤波器的结合，可以自适应的调整以上两个跟踪 参数，并融合不同传感器的数据获得更加精确的结果。仿真结果表明，该算法 可以通过调整跟踪参数有效的防止目标丢失。 传感器技术和分布式计算方法的迅猛发展以及人们对系统控制便利性要求的逐 步提高，都极大的推动了多传感器技术在不同系统中的应用。与单传感器系统 相比，通过融合一系列传感器(通常为不同类型的传感器)的数据，多传感器系 统可以得到更加全面的信息。通常，单传感器系统所获得的信息具有不完全性， 且对数据获取方案具有较大的依赖性，所以这些基于固定算法的单传感器系统 在模糊识别、误差分辨以及不确定环境条件下的错误探测等方面都有极大的欠 缺。而多传感器系统通过数据融合技术，可以极大的消除单传感器方案的不利 因素。因此，多传感器系统可以提供更好的可信度、可靠性以及分辨率。 本 文首先总结了机动目标跟踪数据融合算法的发展历史、研究现状以及未来的发 展方向。随后介绍了跟踪融合系统中的一些基础算法和常用的融合算法，并在 此基础上，通过结合不同算法和模型，提出了一种基于自适应模糊神经网络的 多传感器数据融合算法(ANF-MDFA)。通常在目标跟踪系统中，加速度与测量噪 声是影响跟踪精度的两大主要因素，该算法通过神经网络、自适应模糊神经推 理系统(ANFIS)以及卡尔曼滤波器的结合，可以自适应的调整以上两个跟踪参数， 并融合不同传感器的数据获得更加精确的结果。仿真结果表明，该算法可以通 过调整跟踪参数有效的防止目标丢失。 传感器技术和分布式计算方法的迅猛发展以及人们对系统控制便利性要求的逐 步提高，都极大的推动了多传感器技术在不同系统中的应用。与单传感器系统 相比，通过融合一系列传感器(通常为不同类型的传感器)的数据，多传感器系 统可以得到更加全面的信息。通常，单传感器系统所获得的信息具有不完全性， 且对数据获取方案具有较大的依赖性，所以这些基于固定算法的单传感器系统 在模糊识别、误差分辨以及不确定环境条件下的错误探测等方面都有极大的欠 缺。而多传感器系统通过数据融合技术，可以极大的消除单传感器方案的不利 因素。因此，多传感器系统可以提供更好的可信度、可靠性以及分辨率。 本 文首先总结了机动目标跟踪数据融合算法的发展历史、研究现状以及未来的发 展方向。随后介绍了跟踪融合系统中的一些基础算法和常用的融合算法，并在此基础上，通过结合不同算法和模型，提出了一种基于自适应模糊神经网络的 多传感器数据融合算法(ANF-MDFA)。通常在目标跟踪系统中，加速度与测量噪 声是影响跟踪精度的两大主要因素，该算法通过神经网络、自适应模糊神经推 理系统(ANFIS)以及卡尔曼滤波器的结合，可以自适应的调整以上两个跟踪参数， 并融合不同传感器的数据获得更加精确的结果。仿真结果表明，该算法可以通 过调整跟踪参数有效的防止目标丢失。 传感器技术和分布式计算方法的迅猛发展以及人们对系统控制便利性要求的逐 步提高，都极大的推动了多传感器技术在不同系统中的应用。与单传感器系统 相比，通过融合一系列传感器(通常为不同类型的传感器)的数据，多传感器系 统可以得到更加全面的信息。通常，单传感器系统所获得的信息具有不完全性， 且对数据获取方案具有较大的依赖性，所以这些基于固定算法的单传感器系统 在模糊识别、误差分辨以及不确定环境条件下的错误探测等方面都有极大的欠 缺。而多传感器系统通过数据融合技术，可以极大的消除单传感器方案的不利 因素。因此，多传感器系统可以提供更好的可信度、可靠性以及分辨率。 本 文首先总结了机动目标跟踪数据融合算法的发展历史、研究现状以及未来的发 展方向。随后介绍了跟踪融合系统中的一些基础算法和常用的融合算法，并在 此基础上，通过结合不同算法和模型，提出了一种基于自适应模糊神经网络的 多传感器数据融合算法(ANF-MDFA)。通常在目标跟踪系统中，加速度与测量噪 声是影响跟踪精度的两大主要因素，该算法通过神经网络、自适应模糊神经推 理系统(ANFIS)以及卡尔曼滤波器的结合，可以自适应的调整以上两个跟踪参数， 并融合不同传感器的数据获得更加精确的结果。仿真结果表明，该算法可以通 过调整跟踪参数有效的防止目标丢失。 传感器技术和分布式计算方法的迅猛发展以及人们对系统控制便利性要求的逐 步提高，都极大的推动了多传感器技术在不同系统中的应用。与单传感器系统 相比，通过融合一系列传感器(通常为不同类型的传感器)的数据，多传感器系 统可以得到更加全面的信息。通常，单传感器系统所获得的信息具有不完全性， 且对数据获取方案具有较大的依赖性，所以这些基于固定算法的单传感器系统 在模糊识别、误差分辨以及不确定环境条件下的错误探测等方面都有极大的欠 缺。而多传感器系统通过数据融合技术，可以极大的消除单传感器方案的不利 因素。因此，多传感器系统可以提供更好的可信度、可靠性以及分辨率。 本 文首先总结了机动目标跟踪数据融合算法的发展历史、研究现状以及未来的发 展方向。随后介绍了跟踪融合系统中的一些基础算法和常用的融合算法，并在 此基础上，通过结合不同算法和模型，提出了一种基于自适应模糊神经网络的 多传感器数据融合算法(ANF-MDFA)。通常在目标跟踪系统中，加速度与测量噪 声是影响跟踪精度的两大主要因素，该算法通过神经网络、自适应模糊神经推 理系统(ANFIS)以及卡尔曼滤波器的结合，可以自适应的调整以上两个跟踪参数， 并融合不同传感器的数据获得更加精确的结果。仿真结果表明，该算法可以通 过调整跟踪参数有效的防止目标丢失。 传感器技术和分布式计算方法的迅猛发展以及人们对系统控制便利性要求的逐 步提高，都极大的推动了多传感器技术在不同系统中的应用。与单传感器系统 相比，通过融合一系列传感器(通常为不同类型的传感器)的数据，多传感器系 统可以得到更加全面的信息。通常，单传感器系统所获得的信息具有不完全性， 且对数据获取方案具有较大的依赖性，所以这些基于固定算法的单传感器系统 在模糊识别、误差分辨以及不确定环境条件下的错误探测等方面都有极大的欠缺。而多传感器系统通过数据融合技术，可以极大的消除单传感器方案的不利 因素。因此，多传感器系统可以提供更好的可信度、可靠性以及分辨率。 本 文首先总结了机动目标跟踪数据融合算法的发展历史、研究现状以及未来的发 展方向。随后介绍了跟踪融合系统中的一些基础算法和常用的融合算法，并在 此基础上，通过结合不同算法和模型，提出了一种基于自适应模糊神经网络的 多传感器数据融合算法(ANF-MDFA)。通常在目标跟踪系统中，加速度与测量噪 声是影响跟踪精度的两大主要因素，该算法通过神经网络、自适应模糊神经推 理系统(ANFIS)以及卡尔曼滤波器的结合，可以自适应的调整以上两个跟踪参数， 并融合不同传感器的数据获得更加精确的结果。仿真结果表明，该算法可以通 过调整跟踪参数有效的防止目标丢失。 传感器技术和分布式计算方法的迅猛发展以及人们对系统控制便利性要求的逐 步提高，都极大的推动了多传感器技术在不同系统中的应用。与单传感器系统 相比，通过融合一系列传感器(通常为不同类型的传感器)的数据，多传感器系 统可以得到更加全面的信息。通常，单传感器系统所获得的信息具有不完全性， 且对数据获取方案具有较大的依赖性，所以这些基于固定算法的单传感器系统 在模糊识别、误差分辨以及不确定环境条件下的错误探测等方面都有极大的欠 缺。而多传感器系统通过数据融合技术，可以极大的消除单传感器方案的不利 因素。因此，多传感器系统可以提供更好的可信度、可靠性以及分辨率。 本 文首先总结了机动目标跟踪数据融合算法的发展历史、研究现状以及未来的发 展方向。随后介绍了跟踪融合系统中的一些基础算法和常用的融合算法，并在 此基础上，通过结合不同算法和模型，提出了一种基于自适应模糊神经网络的 多传感器数据融合算法(ANF-MDFA)。通常在目标跟踪系统中，加速度与测量噪 声是影响跟踪精度的两大主要因素，该算法通过神经网络、自适应模糊神经推 理系统(ANFIS)以及卡尔曼滤波器的结合，可以自适应的调整以上两个跟踪参数， 并融合不同传感器的数据获得更加精确的结果。仿真结果表明，该算法可以通 过调整跟踪参数有效的防止目标丢失。 传感器技术和分布式计算方法的迅猛发展以及人们对系统控制便利性要求的逐 步提高，都极大的推动了多传感器技术在不同系统中的应用。与单传感器系统 相比，通过融合一系列传感器(通常为不同类型的传感器)的数据，多传感器系 统可以得到更加全面的信息。通常，单传感器系统所获得的信息具有不完全性， 且对数据获取方案具有较大的依赖性，所以这些基于固定算法的单传感器系统 在模糊识别、误差分辨以及不确定环境条件下的错误探测等方面都有极大的欠 缺。而多传感器系统通过数据融合技术，可以极大的消除单传感器方案的不利 因素。因此，多传感器系统可以提供更好的可信度、可靠性以及分辨率。 本 文首先总结了机动目标跟踪数据融合算法的发展历史、研究现状以及未来的发 展方向。随后介绍了跟踪融合系统中的一些基础算法和常用的融合算法，并在 此基础上，通过结合不同算法和模型，提出了一种基于自适应模糊神经网络的 多传感器数据融合算法(ANF-MDFA)。通常