基于多傳感器協(xié)同的目標識別系統(tǒng)的設計與實現(xiàn).pdf

1、單傳感器提供的信息具有自身的局限性，而多傳感器協(xié)同能夠綜合利用各傳感器的信息。因此本文研究了基于多傳感器協(xié)同的目標識別系統(tǒng)，充分的利用各傳感器的提供信息進行互補，實現(xiàn)對目標的全天時、全方位、準確的識別，具有很重要的理論意義和實際應用價值。主要工作包含以下內(nèi)容：
　　1）針對本文要實現(xiàn)的目標識別系統(tǒng)，本文采用了4種特征，分別是Hu矩、仿射不變矩、小波矩和灰度共生矩陣。對每種特征進行了詳細的分析和計算過程的展示，最后通過實驗證明了這四

2、類特征具有類間可分性和同類不變性。
　　2）在主成分分析(PCA)算法的基礎上，提出了一種基于PCA-KCCA的特征融合方法。該方法首先利用用PCA對特征數(shù)據(jù)進行降維處理，然后再在利用核典型相關分析(KCCA)方法求解融合特征。通過實驗驗證了方法的可行性，并且得到很好的識別率。
　　3）在研究了傳統(tǒng)模糊支持向量機方法的基礎上，提出了一種基于模糊 K近鄰的模糊支持向量機方法。該方法首先根據(jù)樣本與樣本中心點距離計算出樣本的初始隸

3、屬度。然后再按照模糊 K近鄰方法計算樣本的隸屬度，最后將初始隸屬度和模糊 K近鄰隸屬度以一定比例融合，得出樣本的最終隸屬度值，并應用到模糊支持向量機上。通過識別實驗對傳統(tǒng)的SVM、FSVM以及基于模糊K近鄰的FSVM的算法性能進行了比較和分析。
　　4）在上述算法的基礎上，本文提出了一種基于多傳感器協(xié)同的目標識別系統(tǒng)，該系統(tǒng)主要包括數(shù)據(jù)采集模塊、特征提取模塊、多傳感器協(xié)同模塊、數(shù)據(jù)庫管理模塊、識別模型訓練模塊、目標識別模塊和目標定