刘源[1]1999年在《基于模糊信息处理的数据融合方法研究》文中进行了进一步梳理数据融合是通过综合多信息源的数据，可以比从任何单个信息源所提供的数据中获得更加精确和更加确定的推理。它是许多传统学科和新兴的工程领域相结合而产生的一项新技术，是现代C~3I系统中的重要组成部分。其功能模型中包括低层次上的信号检测，位置估计和身份估计，以及高层次上的态势估计和威胁估计。本文主要讨论基于模糊信息处理技术解决多传感器信号检测，位置估计和身份估计等数据融合问题。全文共分六章，各章的主要内容如下： 第一章为绪论，介绍了数据融合的基本概念，数据融合的理论基础，数据融合的发展概况；介绍了模糊信息处理技术及其在数据融合中的意义和作用；介绍了本文所取得的主要成果和内容安排。 第二章提出了一种由局部自适应模糊检测器和在线自学习融合算法所构成的分布式信号检测系统的设计方法。由模糊集对不精确信号参数的局部检测器进行建模，该模糊模型可自适应不精确信号参数的变化。融合中心以最佳融合规则作为目标函数在线自学习局部判决的权重。 第三章提出了一种基于多传感器多目标特征信息的模糊数据关联算法。研究了基于最陡下降法构造全模糊模型关联系统的自学习算法以及多特征信息数据融合对模糊关联系统性能的改善。 第四章基于估计理论和模糊系统理论，提出了一种多传感器多回波模糊—概率交互作用的数据关联滤波算法，以解决密集杂波干扰环境中多传感器跟踪机动目标的数据关联问题。模糊关联度和关联概率共同组成了各有效回波的加权系数，弥补了概率数据关联滤波方法（PDAF）的不足。 第五章提出了几种在杂波环境中，应用模糊Hough变换检测多目标航迹的算法。模糊Hough变换通过引入模糊隶属度函数量化参数空间或特征空间的特征点邻域中的其它特征点的影响，从而可以较好地解决由杂波干扰所带来的不确定性。 第六章给出了一种多源多层次自适应变权的图象融合的模糊算法。它提供了一种表达和处理不确定性信息的有效方法，并且充分利用了各信息源之间的冗余性和互补性，以及各信息源自身的可靠性信息。
范恩[2]2014年在《基于模糊信息处理的传感网系统中多目标跟踪方法》文中进行了进一步梳理作为推动信息领域进入崭新阶段的新型技术,传感器组网的相关理论和应用技术已成为一个非常热门的研究方向。多目标跟踪是传感器组网系统中的关键技术之一。在传感器组网系统中,多目标跟踪是依据信息融合理论,利用来自多个节点具有不同的层次、分辨率、精度、维度、粒度以及不确定性数据,获得目标更完整的决策和更精确的估计。同时,数据关联是多目标跟踪的一个研究难点。在国家自然科学基金项目(No.61271107、No.61301074)的支持下,论文从分布式传感器组网系统的整体框架出发,利用模糊信息处理技术研究多目标跟踪过程的不确定性问题,提出一系列适合工程应用的方法。这些方法涉及系统中不同层次的数据关联过程,主要包括:1)传感器节点层中的航迹起始和观测-传感器航迹关联;2)局部节点层中的传感器航迹-局部航迹关联;3)全局节点层中的局部航迹-系统航迹关联等诸多方面。全文共分为七章,各章的主要内容分别如下:第一章为绪论。首先介绍本文研究的背景、意义以及传感器组网系统的模型结构,然后概述信息融合和多目标跟踪的国内外研究现状,并介绍模糊信息处理的相关技术及它们在信息融合中的意义及作用,最后给出本文的主要成果和内容安排。第二章介绍传感器组网系统中多目标跟踪的基本技术,并对其不确定性进行分析。介绍组网系统中各节点对数据的预处理技术:包括时间对正、坐标变换、目标定位;同时对传感器组网系统中数据的特性和不确定性进行详细分析。第三章针对二坐标雷达和红外传感器搭建的异类传感器跟踪平台,提出一种基于模糊Hough变换的异类传感器航迹起始方法。提出方法根据目标的拓扑序列信息对异类观测进行分类与合成,采用加权平均法构建合成观测集;然后采用模糊Hough变换从杂波中检测目标航迹,并根据航迹确认准则进行漏检效验;最后结合仿真实验,将提出方法与基于Hough变换的航迹起始方法进行比较。第四章首先针对跟踪过程中观测噪声方差未知的情况,提出一种模糊递推最小二乘滤波方法,用于解决单机动目标跟踪问题。在此基础上,进一步针对杂波环境下单机动目标跟踪和多机动目标跟踪,分别提出一种基于概率数据关联的模糊递推最小二乘滤波方法和基于广义联合概率数据关联的模糊递推最小二乘滤波方法。第五章根据传感器节点到局部节点的数据传输方式,提出一种基于模糊聚类的子航迹-局部航迹关联方法。提出方法利用Hough变换将同一时间段内的子航迹映射为参数空间中一组点集,采用最大熵模糊聚类实现子航迹-局部航迹关联,并通过仿真数据实验和实测数据实验分别对提出方法的有效性和可行性进行验证。第六章考虑到局部航迹的可信度对航迹关联结果的影响,提出一种基于加权模糊综合函数的子航迹-系统航迹关联方法。提出方法将局部航迹的可信度引入航迹关联中,充分利用模糊综合函数作为相似性测度的优点,快速、准确地对子航迹与系统航迹做出关联判决,最后通过仿真实验对算法的有效性进行评估。第七章对全文进行总结。
李俊[3]2017年在《基于模糊信息处理的视频目标跟踪方法研究》文中指出随着计算机技术以及传感器技术的发展,视频采集技术不断提高,所采集、存储的视频数量日益增长,对海量视频数据的处理需求推动了智能视频分析技术的快速发展。视频目标跟踪作为智能视频分析中的核心技术之一,通过对视频目标的跟踪获取目标的位置、标签、尺寸、速度等目标状态信息以及目标的运动轨迹,为更高一层的目标行为分析与理解打下重要基础,已经成为国内外学者以及科研机构的研究热点之一。当前,视频目标跟踪已被广泛应用于视频监控、智能交通、智能机器人、人机交互、视频压缩、视频检索、无人驾驶等诸多领域,具有非常重要的研究意义和学术价值。尽管人们已经提出了大量视频目标跟踪方法,但是在复杂场景下,长时间可靠的视频目标跟踪仍然是一个具有挑战性的问题。由于先验知识的缺乏,以及目标运动过程中光照变化、杂波干扰、目标尺度变化等因素的存在,目标外观特征中难以避免的含有不确定性信息,使得视频目标的准确跟踪变得困难。对于多目标跟踪问题,还存在目标数目未知、目标漏检以及虚假观测等不确定性因素,使得目标与观测间的数据关联变得更加困难。本文基于模糊集理论以及直觉模糊集理论,围绕如何克服视频目标跟踪中目标外观模型以及数据关联中的不确定性进行了深入研究,提出了一系列有效的视频目标跟踪新方法:(1)针对复杂场景下的视频目标跟踪问题,提出了一种基于多属性模糊综合的视频目标跟踪算法。该算法将外观特征和光流特征统一到多属性投票跟踪框架中,同时,为了克服外观特征投票可信度与光流特征投票可信度中的不确定性,引入模糊综合函数,通过对不同的投票可信度进行模糊综合,生成了更为可靠的模糊综合可信度,得到了目标中心位置的可靠估计。实验结果表明,该算法能够在复杂场景下取得较好的跟踪效果。(2)针对视频多目标在线跟踪中观测定位、目标数目以及虚假观测等多种不确定性因素条件下目标与观测间的数据关联问题,提出了一种基于模糊空时信息聚类的视频多目标在线跟踪算法。该算法从空时信息中提取了多属性特征来度量目标与观测间的距离,并通过两次模糊C均值聚类,分别计算出以目标作为聚类中心和以观测作为聚类中心的模糊隶属度,然后通过模糊综合函数对这两种隶属度进行融合,得到模糊综合隶属度,最后根据模糊综合隶属度实现目标与观测间的数据关联。实验结果表明,该算法能够较好地处理目标与观测间数据关联的不确定性并且能够有效抑制虚假轨迹的产生,取得了较好的跟踪效果。(3)针对视频多目标跟踪中的模糊数据关联问题,为了更好地提取不确定性信息中的有用信息,提出了一种基于直觉模糊集的视频多目标在线跟踪算法。该算法通过定义模糊直觉指数,对由模糊C均值聚类得到的模糊隶属度中的不确定信息进行建模,并采用直觉模糊点算子从模糊直觉指数中进一步提取有用信息,计算出目标与观测间的直觉模糊隶属度,最后根据直觉模糊隶属度实现目标与观测间的数据关联。实验结果表明,该算法能够较好地处理目标与观测间数据关联的不确定性,在多个测试视频上均取得了较好的跟踪效果。(4)针对视频多目标跟踪中存在特征描述不确定性问题,提出了一种基于直觉模糊随机森林的视频多目标在线跟踪算法。该算法设计了一种新的直觉模糊决策树模型,并以直觉模糊决策树模型作为基本单元,结合随机样本采样以及随机特征选择,给出了一种新的直觉模糊随机森林模型,以直觉模糊随机森林作为目标分类器,实现对漏检目标的在线跟踪。实验结果表明,与现有方法相比,该算法在多目标跟踪准确性等多项跟踪性能评价指标上均有较明显的提高。此外,考虑到直觉模糊随机森林模型的存储量和计算量较大,利用AdaBoost算法训练浅层直觉模糊决策树模型构造出了提升直觉模糊树模型。
吕漫丽[4]2008年在《基于多传感器信息融合的移动机器人避障研究》文中研究指明多传感器信息融合技术是一门新兴的实践应用技术,有着广泛的应用领域,它为各领域的信息处理以及决策支持提供了可靠的手段,具有很高的研究价值以及应用潜力。经过融合的多传感器信息具有以下特性:信息的冗余性、信息的互补性、信息的实时性和信息的低成本性。为移动机器人在各种复杂的、动态的、不确定或未知的环境中工作提供了一种技术解决途径。本文在介绍了国内外机器人和信息融合技术的发展动态和趋势的基础上,分析了多传感器信息融合技术在移动机器人领域的应用;对信息融合中的拓扑结构、融合层次和主要的融合算法等问题进行了探讨。本文以UP-VoyagerII机器人为平台,针对未知环境下基于多传感器信息融合技术的移动机器人避障问题开展研究。移动机器人要实现在未知和不确定环境下自主的工作,应具有感受作业环境和规划自身动作的能力。针对超声波传感器产生的不确定信息,提出了一种基于模糊逻辑的多传感器信息融合避障方法;同时研究基于Takagi-Sugeno(T-S)模型的模糊神经网络信息融合方法。针对实验室的运行环境,研究了机器人的避障策略。最后在移动机器人上进行了实物实验,验证了方法的可行性和有效性。
刘严岩[5]2006年在《多传感器数据融合中几个关键技术的研究》文中提出随着科学技术的发展，特别是微电子技术、集成电路及其设计技术、计算机技术、近代信号处理技术和传感器技术的发展，多传感器数据融合已经发展成为一个新的学科方向和研究领域，并在军事和民用领域均得到了广泛应用。数据融合技术首先是从军事领域发展起来的，美国数据融合联合实验室((Joim Directorsof Laboratories Data Fusion Subpanel，JDLDFS)给出了在军事领域中应用最广的数据融合概念和模型。 本文在JDL模型的框架中分析了多传感器数据融合的一些关键技术，针对其中的几个问题如传感器管理、特征层数据融合算法及特征分析与提取技术、融合性能评估、数据融合中的态势评估等进行了深入的研究。论文的创新点如下： 1．提出了一种基于微粒群优化算法的传感器管理方法，依据最大化信息增量且最小化处理时间的优化准则设计了相应的目标函数，利用微粒群算法选择最优的传感器组。针对目标函数设计中出现的信息增量的测度问题，提出一种基于目标特征的信息增量测度方法，依据目标特征的隶属度，利用模糊K-L分辨力信息增量(Fuzzy K-L discrimination gain)测度系统信息增量。 2．提出了一种新的组合冲突模糊证据的特征层融合算法。研究了模糊信息的融合方法包括基于糗糊积分和模糊逻辑的特征层融合算法。针对小样本分类问题，在常用的模糊方法的基础上，实现了基于模糊积分的特征层融合算法。为了解决模糊逻辑推理过程中组合证据的方法过于简单容易丢失有用信息的问题，采用D-S证据理论进行模糊推理。分析了D-S证据理论融合方法的组合冲突证据的不足，提出一种组合冲突的模糊证据的特征层融合算法，并通过实验验证了算法的有效性。 3．提出了基于不确定性即信息增量的融合性能的定量自动评估方法。从信息论的角度来看，数据融合的目的就是通过增加系统的信息量消除系统的不确定性。本文将香农熵推广到D-S证据框架和模糊测度中，利用广义的香农熵测度信息的不确定性。通过测度融合前后系统不确定性的减少评价融合系统的性能，实现融合性能的定量自动评估。 4．提出了一种贝叶斯网络与条件事件代数相结合的态势评估方法。研究条件
应小平[6]2013年在《基于模糊自适应的动力定位系统信息融合方法研究》文中进行了进一步梳理人们对海洋资源的争夺随着科技的日新月异越来越激烈,船舶动力定位技术为海上资源的开发提供了一种有效手段,但如何提高DP (动力定位)船舶的作业安全性以及定位精度和可靠性,一直是这项技术的研究重点。在海上,由于环境的复杂多变和各种不确定因素的影响,依靠单个传感器实现定位的效果总是差强人意,因此要把多个传感器的数据结合起来进行融合,这已经成为了研究的热点。本文的研究对象为动力定位船,针对传感器测量噪声统计特性不准确的情况,提出了基于模糊自适应的单传感器的滤波方法,再利用多级分层传感器数据融合结构,将多个传感器的数据进行融合以得到更加准确的船舶运动状态估计,这就为动力定位船的精确定位提供了可靠的保证。本论文首先进行动态系统模型的建立,包括船舶运动模型和传感器观测模型。其中,船舶运动模型主要包括船舶高、低频运动模型,以及海洋环境载荷海风、海浪、海流的模型。传感器观测模型的建立主要是针对船舶位置测量系统中的差分GPS、水声、张紧索位置参考系统进行建模。并通过仿真实验证明建立的模型是正确的,为论文的后续研究提供了必要条件。动力定位传感器测量系统量测噪声统计特性随实际工作环境不同而变化,针对测量噪声统计特性可能存在的不准确性问题,本文提出一种基于模糊逻辑的自适应滤波方法。首先对线性滤波方法中的卡尔曼滤波基本原理进行介绍,然后提出了模糊自适应卡尔曼滤波,该算法通过比较理论残差与实际残差的一致程度,利用模糊推理系统得到测量噪声协方差阵的调节系数进而不断调整该矩阵,从而使滤波精度提高,发散得到抑制。鉴于动力定位系统为非线性系统,在线性滤波的基础上推广到非线性滤波算法中的容积卡尔曼滤波,同时为了克服计算发散提出平方根容积卡尔曼滤波,再将其与模糊推理系统结合,最终得到基于模糊自适应的平方根容积卡尔曼滤波算法,在线实时调整测量噪声方差阵,提高了船舶运动状态估计的准确性。为充分利用多传感器的测量信息,提高船舶位置状态估计的精度,需要将各个子传感器的信息资源科学合理的分配。联邦滤波器作为分散化滤波中重要的一种,目前应用的较多,多级分层融合结构可以看成是联邦滤波结构的推广,融合精度较高。本文分别对联邦滤波算法和多级分层数据融合算法进行了研究,并比较了二者的信息融合精度。最后建立动力定位系统总体仿真环境,对所研究的基于模糊自适应的多传感器信息融合算法进行了仿真验证。结果表明,本文提出的算法是切实可行的,提高了船舶位置状态的估计精度,保证了动力定位系统的安全性、可靠性和整体定位精度。
朱方[7]2007年在《防空作战指挥辅助决策中目标不确定信息处理研究》文中研究指明防空作战指挥辅助决策系统是实现我军防空作战指挥科学决策,提高我军防空作战整体效能的一项关键内容,其中对不确定信息的处理问题是当前研究的热点与难点,主要包括对空中目标识别、态势估计和态势预测中不确定信息的处理问题。本文重点研究不确定信息条件下,空中目标识别中基于信息融合的目标二次识别问题,态势估计中目标战术意图判别问题,态势预测中目标战术行动类型判断、目标航迹预测以及目标行动后综合态势预测问题。针对目标识别中不确定信息处理问题,综合运用有序加权平均算子(OWA)、组合加权算术平均算子(CWAA)、离差最大化原则和信息熵,构建基于OWA算子和CWAA算子的两级式多传感器信息融合目标二次识别模型。针对态势估计中不确定信息处理问题,通过融合神经网络与模糊推理,构建基于神经网络—模糊推理(NN—FR)的空中目标战术意图推理模型;利用模糊概念因素分解方法,给出战术规则信息库中信息的模糊知识描述方法;利用构建基于模糊粗糙集的信息系统,提出基于模糊粗糙集的模糊推理规则约简方法。针对态势预测中不确定信息处理问题,阐述基于模板技术的目标战术行动类型判断模型;综合运用灰色BP神经网络模型与自回归时序AR模型,构建空中目标航迹灰色预测模型;利用具有非线性系统动力学特性的径向基函数神经网络,构建基于径向基函数神经网络信息融合的综合态势预测模型。
方中华[8]2003年在《基于融合元的数据融合系统进化体系结构研究》文中研究指明人类神经系统是多传感器环境下最为灵活的数据融合体系结构。研究表明，从原始的单细胞有机体类似神经动作电位的协调功能逐步进化成神经元开始，神经系统大致经历了混沌阶段、平权网络阶段、中心化网络阶段和双侧对称的层次体系结构等进化阶段。网络系统是由各种不同性质网络所组成的复杂网络，通过对现代数据融合模型和体系结构的最新研究成果与神经系统这一进化历程比较研究，我们提出了网络系统的数据融合的进化体系结构。该体系结构是数据融合系统体系结构进化的一种高级形式，它能根据网络系统不同的使命、外部环境和网络系统的状态自动形成目前所知的最为有效的数据融合体系结构，更有效地达到融合目的。其具有内部模型运行能力的智能接口用于完成网络通讯和资源调配任务，从而使融合元的核心部分可以致力于更重要的信息挖掘、建模和融合决策等任务，分布式数据集市的引入增强了数据融合系统网络内部模型的学习、存贮、评估和获取能力。数据融合系统的进化体系结构是一种智能体系结构，数据融合事件在此变成了优选一个内部模型在网络上运行，该内部模型决定了所形成的体系结构形式。在分析讨论该体系结构的通讯战略和资源管理战略之后，探讨了在该体系下集成数据融合技术提高ATP系统多目标捕获与跟踪性能等问题的初步方案。研究表明，由于直接以人类思维与决策的物理基础，即神经网络进化的理论为基础建立数据融合体系结构模型，数据融合系统的进化体系结构更有利于集成诸如自然语言处理、模糊逻辑、神经网络技术、人工智能和智能决策等方面的研究成果，它可以充分发挥指挥和操作人员的主观能动性，为各级管理人员提供一个智能化辅佐决策环境，提高复杂网络系统的信息处理能力和指挥决策水平。
林国平[9]2016年在《多粒度粗糙计算理论与方法研究》文中指出迅猛发展的信息技术,特别是现代网络、云计算等技术的广泛应用,数据量呈爆炸式增长态势,同时进入系统的信息来源越来越广,相关层次越来越复杂.具备多源多模态等特征的复杂大数据已经成为现代社会中数据资源和知识发现的主体.人们迫切需要去分析处理这些复杂数据,从中找到有价值的信息.然而面对这些复杂数据,传统的数据处理技术遇到了极大挑战.因此,如何有效、快速地的处理这些复杂数据,并提取出隐含其中的、潜在有用的知识,一直是智能信息处理领域的一个研究重点.作为知识获取和问题求解的重要工具,粒计算方法是在问题求解过程中通过将复杂数据进行信息粒化用信息粒代替样本作为计算的基本单元,从多个角度、多个层次出发对现实问题进行描述、推理与求解,可大大提高计算效率并获得问题更加合理、更加满意的求解.本文将人类解决问题的多粒度思想引入到粗糙数据分析中,系统的开展了基于多粒度粗糙计算的方法研究.这极大地丰富了粗糙数据建模理论研究与应用范畴,有望为多源信息系统下的多粒度信息融合提供一个新途径.获得主要研究成果和创新如下：(1)发展了多源符号型数据和多源模糊型数据信息粒度的结构表示与融合模型.为了拓展多粒度粗糙集的建模能力和应用范围,分别建立了多粒度覆盖粗糙集模型和模糊多粒度决策粗糙集模型,深入探讨了模型的性质,并揭示了这些模型之间的本质差异,为多源粗糙数据分析中的模型选择提供了理论基础和可行的依据.(2)从拓扑学理论的角度探讨了多粒度粗糙集模型的相关理论.定义了多粒度拓扑粗糙空间并讨论了该拓扑空间的重要性质,揭示了多粒度拓扑空间的内部结构,通过定义粒度的重要性度量,并根据保持目标概念的内部和闭包不变原则,提出了一个粒度空间的选择算法,从而进一步完善了多粒度粗糙计算理论.(3)从不同的角度提出了多粒度近似空间的不确定性度量.借鉴广义知识距离的思想,构造了多粒度近似空间的融合信息熵,融合粗糙熵和融合知识粒度,给出了多粒度拓扑粗糙空间的拓扑粒度和拓扑熵；提出了多粒度覆盖粗糙集的粗糙度和粗糙熵,并讨论这些度量的有关重要性质.这些结果将有助于理解多粒度粗糙计算理论作为不确定性问题求解理论的本质.(4)结合证据理论,提出了一类基于证据理论的多粒度融合算法.讨论了乐观／悲观多粒度粗糙近似和经典／模糊证据理论的信任函数之间的关系,给出了多粒度粗糙近似空间证据的基本概率指派获取等问题.借鉴K-Modes聚类的思想完成多个粒结构的聚类,提出了一类基于证据理论的多粒度融合算法.在一定程度上解决了多源不确定信息的定量和定性融合问题,也增强了处理多源信息系统不确定问题求解的能力.(5)提出了三类整体决策性能评价指标.通过分析近似精度和近似质量在度量决策性能的不足基础上,利用最大最小合成方式提出了整体确定度,整体协调性,整体支持度.理论分析和实例验证结果表明,提出的决策规则集的评价方法对未来的预测更合理可靠.通过以上系统研究,本文在多粒度粗糙计算理论与方法研究方面取得了系统的研究结果,发展了多粒度覆盖信息粒度的结构表示和定性的融合方法；从多粒度拓扑理论和多粒度近似空间的不确定性这两个侧面完善了多粒度粗糙计算基本理论；建立了多粒度定性融合算子和定量的证据理论的信任函数之间的关系,发展了一类基于证据理论的多粒度融合算法,提出了整体融合决策性能评价方法,这些成果丰富和发展了多粒度粗糙计算理论和方法,为多粒度粒计算方法能够更好的处理多源复杂数据提供了理论指导和技术支持.
邹永祥[10]2008年在《基于神经网络的信息融合技术与应用》文中提出信息融合技术是研究如何有效地综合利用多传感器信息,克服信息的不完备性和不确定性,更加准确、全面地认识和描述被测对象,从而做出正确的判断和决策,近年来已成为各国学者研究的热点。多传感器信息融合技术已经广泛用于模式识别、目标跟踪、图像处理和机器人等领域。神经计算是人们在模仿人脑处理问题的过程中发展起来的一种新型智能信息处理理论,它通过大量称为神经元的简单处理单元构成非线性动力学系统,对人脑的形象思维、联想一记忆等进行模拟和抽象,实现与人脑相似的学习、识别、记忆等信息处理能力。神经网络在经历了几十年的曲折发展后,在信息科学领域等许多应用方面已显示出了巨大潜力和广阔的应用前景。本文旨在研究将神经计算应用于信息融合领域,建立智能化的信息融合算法,并将之应用于核探测器的谱漂移,即提出了智能信息融合技术在谱仪谱峰随温度、电压等漂移的融合模型和算法。本文首先介绍了信息融合技术和神经计算的理论基础、研究现状以及发展方向,讨论了神经计算在信息融合中的应用问题以及相关算法。提出来了可用于信息融合的模块化神经网络与模糊神经网络的模型和算法。定性地论证了神经网络融合识别的基本机理。针对谱峰随不同干扰量漂移的问题,采用模块化神经网络对谱仪峰位漂移进行数据融合,建立了融合的网络模型及其学习方式。最后在建立的数学模型上对谱漂移试验数据进行计算和仿真。计算和仿真结果表明建立的数学模型有较好的精度,智能化的融合技术能成功运用在谱仪的谱峰漂移的数据融合中。
参考文献：
[1]. 基于模糊信息处理的数据融合方法研究[D]. 刘源. 西安电子科技大学. 1999
[2]. 基于模糊信息处理的传感网系统中多目标跟踪方法[D]. 范恩. 西安电子科技大学. 2014
[3]. 基于模糊信息处理的视频目标跟踪方法研究[D]. 李俊. 深圳大学. 2017
[4]. 基于多传感器信息融合的移动机器人避障研究[D]. 吕漫丽. 东北电力大学. 2008
[5]. 多传感器数据融合中几个关键技术的研究[D]. 刘严岩. 中国科学技术大学. 2006
[6]. 基于模糊自适应的动力定位系统信息融合方法研究[D]. 应小平. 哈尔滨工程大学. 2013
[7]. 防空作战指挥辅助决策中目标不确定信息处理研究[D]. 朱方. 解放军信息工程大学. 2007
[8]. 基于融合元的数据融合系统进化体系结构研究[D]. 方中华. 中国科学院研究生院（长春光学精密机械与物理研究所）. 2003
[9]. 多粒度粗糙计算理论与方法研究[D]. 林国平. 山西大学. 2016
[10]. 基于神经网络的信息融合技术与应用[D]. 邹永祥. 成都理工大学. 2008
标签：自动化技术论文; 信息融合论文; 数据融合论文; 传感器技术论文; 模糊算法论文; 神经网络算法论文; 模糊理论论文; 人工智能论文; 信息处理论文; 粒度论文; 算法论文;