BTL16ZE分布式多傳感器信息融合BTL7-C100-M0650-B-S32

BTL7-C100-M0650-B-S32針對多傳感器數據加權融合問題,提出了一種基于權值的數據加權融合方法。通過分析融合權重對融合精度的影響,確定了數據加權融合的權值分配原則;通過對能夠反映傳感器實際測量精度的實測數據進行統計分析,構建了傳感器實際工作狀態下的近似測量精度計算模型。基于典型算例,對所提算法進行驗證,結果表明:所提算法能夠較好地解決多傳感器數據加權融合問題,具有一定的理論意義和較好的應用價值。 航拍、農業、娛樂、軍事等領域的廣泛應用,在帶來產業升級的同時,也帶來了安全隱患。作為對"低慢小"無人機管控與反制的前提,"低慢小"無人機探測成為一個備受關注的研究課題。從"低慢小"無人機與客機、戰斗機等傳統探測目標特性上的不同出發,分析"低慢小"無人機探測的難點,梳理當下針對這一問題研究的成果,總結雷達探測、激光探測、光電探測、聲探測、金屬探測、無線電探測等方法,比較各原理之間的性能差異,提出移動探測、融合探測、跟蹤探測等發展方向。 單傳感器采集的電場強度值易發生畸變影響電壓等級辨識準確率的問題,提出基于多傳感器協同融合識別電壓等級,對傳感器進行非正交、分層布局,建立空間矢量電場降維重構模型,對多傳感器采集數據進行協同融合計算電場強度值。對電場強度值進行二階擬合,由二階擬合參數識別電壓等級。搭建實驗平臺,通過實驗平臺控制場源電壓等級分別為10,35,110 k V,將采集數據裝置靠近場源采集數據,根據處理后的擬合參數圖形顯示,可清晰地看到不同電壓等級聚集在三維坐標系中不同位置。 

BTL16ZE分布式多傳感器信息融合BTL7-C100-M0650-B-S32

BTL7-C100-M0650-B-S32單一傳感器對前方車輛識別準確率低的問題，基于多傳感器融合模型建立了1種目標車輛識別方法。首先開展攝像頭與毫米波雷達的聯合標定，實現多傳感器在時空上的融合；然后引入全局近鄰（GNN）算法對雷達和攝像頭各自采集的目標序列與跟蹤目標進行數據匹配，確定跟蹤目標的2組局部估計；后通過D-S證據理論對2組目標序列進行優化組合，獲取車輛行駛狀態的結果，從而實現對目標的識別。通過Matlab/Simulink聯合搭建試驗平臺對所研究的融合模型進行算法驗證。試驗結果表明，該融合算法在不同天氣條件下對目標的平均檢測率為88.3%，可實現對目標車輛的準確識別與跟蹤。

BTL7-C100-M0100-B-S32    BTL0U72
BTL7-C100-M0175-B-S32    BTL1AHW
BTL7-C100-M0230-B-KA05    BTL16ZH
BTL7-C100-M0250-B-S32    BTL0UHR
BTL7-C100-M0400-B-S32    BTL0JWA
BTL7-C100-M0550-B-S32    BTL16ZC
BTL7-C100-M0650-B-S32    BTL16ZE
BTL7-C100-M0850-B-KA05    BTL16ZJ
BTL7-C100-M2400-B-S32    BTL16ZF
BTL7-C100-M2743-Z-S32    BTL1276
BTL7-C170-M0100-B-KA05    BTL0JM9
BTL7-C170-M0100-B-S32    BTL06YC
BTL7-E100-M0025-B-S32    BTL06YF