分类信息辅助的神经网络联合数据关联算法
“拖延症快玩蛋去”通过精心收集，向本站投稿了9篇分类信息辅助的神经网络联合数据关联算法，下面是小编收集整理后的分类信息辅助的神经网络联合数据关联算法，供大家参考借鉴，希望可以帮助到有需要的朋友。
篇1：分类信息辅助的神经网络联合数据关联算法
分类信息辅助的神经网络联合数据关联算法
为解决多目标跟踪中数据关联问题引入神经网络UKF算法和分类信息辅助方法.通过计算分类混淆矩阵确定分类信息似然函数,再用该函数调整只利用运动信息的似然函数,使分类信息有效辅助神经网络联合概率数据关联.在杂波环境中对多个近邻且不同种类目标跟踪,针对联合概率数据关联(JPDA)存在的计算组合爆炸问题,利用Hopfield网络解决TSP问题的.思路得到神经网络联合概率数据关联(NJPDA)方法.基于以上关联方法得到的关联概率,仿真表明该算法提高了数据关联的有效性和快速性.
作 者：杜鹏 吴军 吴志峰 王蕊 作者单位：杜鹏,吴军,吴志峰(空军工程大学工程学院,西安,710038)王蕊(东北大学材料冶金学院,沈阳,110004)
刊 名：弹箭与制导学报 PKU英文刊名：JOURNAL OF PROJECTILES, ROCKETS, MISSILES AND GUIDANCE 年，卷(期)： 30(2) 分类号：V249.121 关键词：JPDA UKF 数据关联 神经网络 分类 JPDA UKF data association neural network classification篇2：分层神经网络分类算法
分层神经网络分类算法
提高遥感图像分类精度一直是受到普遍关注的`焦点问题.近年来,人工神经网络技术和分层处理技术由于它们的许多优点受到广泛欢迎.本文把这两种技术结合起来,提出了分层神经网络的概念,并基于此设计了一种分层神经网络分类算法.通过与最大似然法的对比实验表明,这种分层神经网络分类算法可以明显地提高分类精度,并对不规则分布的复杂数据具有很强的处理能力.
作 者：熊桢 郑兰芬 童庆禧 XIONG Zhen ZHENG Lan-fen TONG Qing-xi 作者单位：中国科学院,遥感信息科学开放研究实验室,北京,100101 刊 名：测绘学报 ISTIC EI PKU英文刊名：ACTA GEODAETICA ET CARTOGRAPHICA SINICA 年，卷(期)： 29(3) 分类号：P237 关键词：分层处理 神经网络 遥感图像分类 分类精度篇3：LIDAR数据特点与分类算法探讨
LIDAR数据特点与分类算法探讨
机载雷达点云的`主要应用是生产数字高程模型(Digital Elevation Model,简称DEM).由于机载雷达所获得的雷达点云包括地面点和非地面点,所以在生产DEM之前要进行非地面点的滤除,在国外很多研究文献提出全自动或半自动的方法用来过滤地物点,保留地面点用以生成数字高程模型.
作 者：关辅兴 李芳伟 GUAN Fu-xing LI Fang-wei 作者单位：哈尔滨兰诺数码有限公司,黑龙江,哈尔滨,150090 刊 名：测绘与空间地理信息 英文刊名：GEOMATICS & SPATIAL INFORMATION TECHNOLOGY 年，卷(期)： 32(3) 分类号：P208 关键词：机载雷达 DEM 点云篇4：密集杂波环境下的数据关联快速算法
密集杂波环境下的数据关联快速算法
基于联合概率数据互联(JPDA)的思想,提出了一种新的'数据关联快速算法(Fast Algorithm for Data Association, 简称FAFDA算法).该方法不需象在最优JPDA算法中那样生成所有可能的联合互联假设,因而具有计算量小,易于工程实现的特点.仿真结果表明,与最优JPDA算法相比,FAFDA算法的跟踪性能令人满意,并且在密集杂波环境下可实时、有效地跟踪100批次以上的目标.
作 者：郭晶 罗鹏飞 汪浩 Guo Jing Luo Pengfei Wang Hao 作者单位：国防科学技术大学,长沙,410073 刊 名：航空学报 ISTIC EI PKU英文刊名：ACTA AERONAUTICA ET ASTRONAUTICA SINICA 年，卷(期)： “”(3) 分类号：V556.6 关键词：多目标跟踪 数据关联 雷达跟踪篇5：一种改进的广义概率数据关联跟踪算法
一种改进的广义概率数据关联跟踪算法
对于多目标跟踪问题,最近提出的全局次优的广义概率数据关联算法(GPDA)由于其新颖的可行性划分规则和较小计算存储需求而受到广泛关注.本文提出了一种基于广义联合事件分割组合的'新关联算法.它通过引入目标的方向性信息,在基于新规则划分后,对进入有效域的传感器量测估计值权重系数进行调整,从而使最终的估计值更准确,关联精度得到进一步提高.利用该改进算法对杂波环境下多目标跟踪进行仿真实验,结果表明提出的关联算法继承了原有算法的优点,同时用较小的计算代价使得跟踪性能得到较大改善.
作 者：李晨 韩崇昭 朱洪艳 LI Chen HAN Chong-zhao ZHU Hong-yan 作者单位：西安交通大学,电子与信息工程学院综合自动化所,陕西,西安,710049 刊 名：光电工程 ISTIC PKU英文刊名：OPTO-ELECTRONIC ENGINEERING 年，卷(期)： 33(7) 分类号：V556 关键词：多目标跟踪 广义概率数据关联 定向概率数据关联 跟踪算法篇6：利用中心点信息的活体指纹分类算法
利用中心点信息的活体指纹分类算法
摘要：一种针对活体指纹采集样本的分类算法。将指纹分为四类：弓形、左箕形、右箕形和箕形（Right loop）和斗形（Whorl）。根据公安部的统计，中国人指纹类型的分布，弓形和帐弓形分别为1.1%、1.4%。对于实验系统，把两者分离的必要性不大。而且，弓形和帐弓形在结构上很相似，没有明显的特征可以把两者很好地分开。文献的实验表明：不把这两类分开，可以在不影响分类器效率的情况下，提高正确率。本文采用指纹结构特片分析方法，基于实用性的考虑，把采集的指纹分为四类：弓形（Arch）、左箕形（Left Loop）、右箕形（Right loop）和斗形（Whorl）。如图1所示。关键词：指纹分类 奇异点 方向滤波 连续分类
目前指纹分类在的研究对象主要是油墨指令等滚动按捺得到的指纹图像，一般采用美国中央情报局的SINT4、NIST9、NIST14、NIST24等批文数据库，这些据指纹图像通常保留了三角点和中心点等特征点。但活体采集通常不能完整采集三角点。活体采集的样本与传统油墨按捺采集的样本有很大不同。从目前所能查阅的国内外文献来看，针对活体采集样本的分类算法研究并不多见，而且效果并不是很理想。本文所研究的指纹库是用主流芯片级指纹采集器――富士通公司的BMF200电容式的指纹传感器采集得到的。这款采集器在自动指纹识别系统中得到了广泛应用。因此，针对这种样本数据库的分类算法的研究具有现实意义和理论意义。
(本网网收集整理)
传统的分类算法沿用指纹学上的分类法，把指纹分为五类：弓形（Arch）、帐弓形（Tent Arch）、左箕形（Left loop)、右箕形（Right loop)和斗形（Whorl）。根据公安部的统计，中国人指纹类型的分布，弓形和帐弓形分别为1.1%、1.4%。对于实际系统，把两者分离的必要性不大。而且，弓形和帐弓形在结构上很相似，没有明显的特征可以把两者很好地分开。文献的实验证表明：不把这两作业成绩分开，可以在不影响分类器效率的情况下，提高正确率。本文采用指纹的结构特征分析方法，基本实用性的考虑，把采集的指纹分为四类：弓形（Arch）、左箕形（Letf loop）、右箕形（Right loop）和斗形（Whorl）。如图1所示。
1 指纹分类算法
分类算法的基本步骤是：
（1）图像预处理：为使指纹图像有要同的均值和方差，对原始图像进行归一化处理，然后根据图像灰度信息对图像分割，把背景区分割出来；
（2）计算方向图：计算指纹图像每一点的方法；
（3）提取特征：根据方向图，找出指纹的奇异点；
（4）分类：根据中心点数目和指纹特定区域的流向把指纹分为四类。
程序流程图如图2。
1.1 图像预处理
预处理包括归一化、背景分割。归一化就是把原始图像的灰度均值和方差变换为期望得到的均值和方差。
归一化后，对图像进行分割，利用灰度信息把指纹区和背景区分开。
图3是一幅指纹图像的分割结果。
1.2 方向图的计算与平滑
输入的`指纹图像大小为240×264，分成8×8的小块。首先计算每一点的方向，把平面空间量化成8个方向码，通过式（1）计算每一点的方向。
其中：D（i,j）表示点（i,j）的方向码；N这里取值为8。G（i,j）表示点（i,j）的灰度值；w表示以点（i,j）中心，在方向为d的直线上，每一边的点数。G（ik,jk）d表示d方向的直线上所取像素点的灰度值。点的方向码的计算解释如下：在某一个点较小的范围内，纹线上的点的灰度值相关不大，而纹线上与非纹线的点的灰度值相差较大。因此沿着纹线计算的差的绝对值之和较小，而沿着其他方向计算出的差的绝对值之和则较大。
为了保证方向的抗干扰能力，可在块划分不变的情况下，适当扩展方向码的统计区域。块的划分尺寸为8×8，而统计该区域的方向码时，则按照12×12的扩展区域。统计每一小块对应区域中每一个方向码的像素点数，像素点数最多的方向码就是该小块的主方向。
为了消除局部的方向图计算误差，对方向图进行平滑。平滑方式采用3×3均值滤波器实现平滑滤波。图4给出滤波前后的方向图。
1.3 奇异点寻找与修正
进行指纹分类前，先将指纹的特片点找出来。对指纹分类有用的是指纹的奇异点：中心点（core）和三角点（delta）。文献中介绍了判定中心点和三角点的方法。在中心点沿着逆时针方向一周的角度变化量（不大于90度）为180度，在三角点沿着逆时序方向一周的角度变化量（不大于90度）为-180度。
在实际计算时，由于方向图的划分、干扰的存在，根据上述判据找到的中心点和三角点有可能是伪奇异点，需要根据实际情况作一些修正，删除伪奇异点。修正奇异点的准则如下：
（1）如果指纹纹线在局部变化较大，就有可能出现相邻两个小块的方向互相垂直，这可能使中心点和三角点重合。这种情况都发生在中心区域而不是三角区域，所以需要删除与中心点重合的三角点。
（2）指纹图像的边缘区域噪声较大，容易出现伪奇异点，所以在计算出的奇异点的一个适当的领域内如果有背景区，则删除该奇异点。
（3）由于噪声的影响，或是手指上有较大的皱纹，会使计算出的奇异点中出现相邻很近的中心点和三角点，这些都是伪奇异点。所以，如果存在一个中心点和一个三角点距离小于设定的阈值，则删除这两个点，并进一步删除与这两个点距离小于阈值的其它奇异点；
（4）对于指纹纹线在特征区域变化较大的情况，有可能在一个特征区域找出多于一个的奇异点。所以，在经过上述三步伪奇异点的删除后，使用聚类分析方法，把余下的中心点和三角点分成几个聚类，每一个聚类的中心就是最后得到的奇异点。
图5给出了一幅质量较差的指纹图像奇异点修正前和修正后的情况。
本文根据中心点数目组织分类判据将指纹分为三类：0个中心点为弓形，2个中心点为斗形，1个中心点为左箕形或右箕形。需要根据实际情况对此判据作进一步修正和改进。当中心点个数为1，存在三角点。如果三角点与中心点的距离小于一个阈值。则该指纹为弓形。
1.4 左箕、右箕的区分
对于中心点个数为1的指纹，可以根据中心点下方指纹纹线的流转方向进一步把指纹分成左箕形、右箕形。左箕形指纹纹线流向左方，右箕形流向右方。
对中心点下方一定角度的区域进行90°的方向滤波，可以通过方向码之间的计算近似实现方向滤波：
P是滤波值，N是该区域小块的个数，pi是每一小块的滤波值，Di是小块的方向码，D0是滤波方向，在这里D0=4(90°)。不考虑到D0垂直的方向码。
P为负是左箕形，否则为右箕形。
图6给出了两种类型特征区域内指纹纹线的流向。
1.5 斗形的索引参数计算
斗形指纹在汉族人中所占比例很大，大约在一半左右。因此有必要对斗形指纹进行细分。实际情况中，很难从结构特征把斗形分成几个可以互相分得开的子类。本文以斗形的长短轴之比Flatness作为斗形的数据库索引参数，对斗形进行连续分类。
分别以8个方向码为坐标轴，将指纹方向图在两个垂直的方向投影，计算投影比。取最大的投影比为Flatness，作为索引参数。
对斗形指纹，利用期长短轴之比，作为斗形指纹的索引，在数据库中查找，是连续分类思想在斗形指纹进行一步分类上的体现。文献提出了不同于传统的明确的排他性分类（exclusive classification）的连续分类（continuous classification）概念。通过一定的特片提取方法，得到一个特片向量，然后把这个特片向量当作索引（a assesskey）。对于一个给定的容差ρ，在特征空间里，以待查样本为中心，以ρ为半径的超球作为待查样本的搜索域。实际上，存在大量无法归入既定类别的杂形指纹，和可以同时归入一个以上类型、连指纹专家都无法确定其类别的模棱两可的指纹，这都影响了传统排他性分类算法的正确率。而对于连续分类，则不存在这种干扰。不过文献提出的分类算法主要是针对油墨滚动按捺的指纹图像，而且有很大的算法复杂性，不适于实时系统。本文对斗形索引参数的计算，是连续分类思想在研究实时系统算法上的一个尝试。
图7是方向码为0，3的两个坐标的示意图。
图8是900个斗形指纹样本的参数Flatness的分布图。由图8可以看出，应用斗形指纹的长短轴之比Flatness，可以把斗形指纹很好地排列出来。
2 实验结果
利用本算法对2150个指纹采集样本进行实验，这些样本来自215个手指，每个手指采集10次。分错样本63个，分类准确率达97.1%。具体结果见表1。
对910个斗形指纹计算长短轴之比，结果在1.0和2.8之间，每个手指纹在10次采样的长短轴之比相差一般不超过0.5。说明该参数可以用作斗形指纹的特征参数。
由于采集器的面积小，手指也不是滚动按捺，所以采集样本与传统的油墨按捺有很大不同，在算法、方向采集样本与传统的油墨按捺有很大不同，在算法、方向图的计算、奇异点的修正和分类方法上都做了很大的改进。本文提出的算法计算量小，在CPU Pentium III550MHz，内存288MB，处理一幅指纹图像平均为0.26s，其中0.2s花费在对指纹图像每一点的方向的计算上。这也是指纹识别的必需步骤。所以该算法对于自动指纹识别系统所引起的额外时间开销很小，满足实用的实时系统的要求。
另外，由于指纹分类所依据的指纹的宏观特征，由于采集器面积小，这对分类带来一定的难度，更加有效的分类算法有必要进一步研究。
表1 测试样本的分类结果
输出结果待测样本类型弓形斗形右箕形左箕形弓形199044斗形188154右箕形865750左箕形2236432篇7：基于自适应遗传BP算法神经网络数据融合的空中目标识别
基于自适应遗传BP算法神经网络数据融合的空中目标识别
空中目标识别是现代防空作战的重要研究内容.本文利用不同类型目标产生的`多类型传感器的数据信息对目标进行识别.为了训练神经网络目标识别分类器,将遗传算法和BP算法相结合,提出了一种新的自适应遗传BP算法,利用这种神经网络来确定指标的权值.仿真试验结果表明,基于自适应遗传BP算法神经网络的识别是一种简单、可靠的目标识别方法,具有很好的目标识别效果.
作 者：马峰 李富荣 张安 MA Feng LI Fu-rong ZHANG An 作者单位：马峰,MA Feng(西北工业大学电子信息学院・陕西西安・710072;92635部队・山东青岛・266041)李富荣,LI Fu-rong(海军航空工程学院青岛分院・山东青岛・266041)
张安,ZHANG An(西北工业大学电子信息学院・陕西西安・710072)
刊 名：飞行器测控学报 ISTIC英文刊名：JOURNAL OF SPACECRAFT TT&C TECHNOLOGY 年，卷(期)： 26(4) 分类号：V557 关键词：自适应遗传BP算法 神经网络 数据融合 目标识别篇8：遗传模糊聚类算法在数据关联中的应用
遗传模糊聚类算法在数据关联中的应用
针对传统数据关联算法存在计算量偏大或关联精度不高的问题,提出了一种利用遗传模糊聚类策略来求解数据关联问题的.算法.该算法将多传感器多目标的数据关联问题看作是一类约束条件下的组合优化问题,先通过对同一时刻不同传感器提供的量测按照其相似性用遗传算法进行模糊聚类,再用聚类后的等效量测对各目标的状态进行估计.聚类方式的改进不仅增加了算法的局部寻优能力,有效地减少了计算的复杂度,而且还具备一定的野值剔除能力.仿真结果表明该算法关联精度较高,计算量适中,具有一定的工程应用价值.
作 者：胡傲 冯新喜 王冬旭 郭威武 HU Ao FENG Xinxi WANG Dongxu GUO Weiwu 作者单位：空军工程大学电讯工程学院,西安,710077 刊 名：电光与控制 ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL 年，卷(期)： 17(3) 分类号：V271.4 TN953 关键词：数据关联 多目标跟踪 模糊聚类 遗传算法篇9：基于蚁群规则挖掘算法的多特征遥感数据分类
基于蚁群规则挖掘算法的多特征遥感数据分类
蚁群算法作为一种新型的智能优化算法,已经成功应用在许多领域,然而应用蚁群优化算法进行遥感数据处理则是一个新的研究热点.蚁群规则挖掘算法是基于分类规则挖掘进行分类,能够处理多特征的数据.因此,论文将蚁群规则挖掘算法应用到多特征遥感数据分类处理中,并采用北京地区的Landsat TM和Envisat ASAR数据作为实验数据,对选择的遥感数据进行了多特征分类实验.实验结果分别与最大似然分类法、C4.5方法进行对比,分析表明:1)蚁群规则挖掘算法是一种无参数分类的智能方法,具有很好的.鲁棒性,2)能够挖掘较简单的分类规则;3)能够充分利用多源遥感数据等.它可以充分利用多特征数据进行土地覆盖分类,从而能够提高分类的效率.
作 者：戴芹 刘建波 DAI Qin LIU Jian-bo 作者单位：中国科学院对地观测与数字地球科学中心,北京,100086 刊 名：地理研究 ISTIC PKU英文刊名：GEOGRAPHICAL RESEARCH 年，卷(期)：2009 28(4) 分类号：P3 关键词：蚁群规则挖掘 多特征数据 遥感数据分类 Ant colony rule mining algorithm multi-feature data remote sensing dataclassification【分类信息辅助的神经网络联合数据关联算法】相关文章：
文档为doc格式