《利用ann改进组网雷达误差配准的算法》由会员分享，可在线阅读，更多相关《利用ann改进组网雷达误差配准的算法（26页珍藏版）》请在金锄头文库上搜索。
1、计算机技术专业优秀论文计算机技术专业优秀论文 利用利用 ANNANN 改进组网雷达误差配准的算法改进组网雷达误差配准的算法关键词：组网雷达关键词：组网雷达 误差配准误差配准 神经网络神经网络 数据融合数据融合 空间配准算法空间配准算法摘要：近年来，多传感器数据融合技术已受到广泛关注，它的理论和方法已被 应用到许多研究领域。多传感器数据融合技术的基本原理是充分利用多个传感 器资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间 或时间上冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性 解释或描述本文首先介绍了数据融合原理：其次基于雷达网系统误差分析阐述 了组网系统中不充
2、分的误差修正对数据融合的不利影响；然后讨论了现有几种 主要的误差配准方法即实时质量控制法(RTQC)，最小二乘法(LS)，最大似然法 (MLH)、广义最小二乘法(GLS)；最后推导了一种旨在消除坐标转换误差的修正 最小二乘算法。由于以上几种算法都是基于对目标跟踪影响最大的距离偏差和 方位误差的简单误差模型。因此，当存在的多种误差不能被忽略的情况下，这 几种算法必然出现计算不准确的问题。为了避免复杂系统误差模型下计算量大 的问题，本文还讨论了目前基于 BP 网络的神经网络的误差配准方法。为避免收 敛速度慢和泛化能力弱的问题，提出了一种采用内部回归网络的误差配准算法。 最后对最小二乘算法和新的神经
3、网络算法的误差配准性能作了比较。在存在距 离量测误差、测角误差、雷达扇区误差及不同噪声的情况下以及对神经网络的 外推性能进行了数据仿真，仿真结果证明了新的神经网络配准算法具有比最小 二乘算法更好的配准精度和较好的稳定性。 本文研究组网雷达数据的空间配 准问题，也就是如何消除多雷达间的系统误差。在雷达的实际使用中，可能存 在多种误差，如站点标定误差、参考方位的标定误差、测距测角误差及坐标转 换等。这些系统误差的存在将影响航迹数据融合，或者使融合后的航迹数据精 度变差，因此必须对多部联网的雷达进行误差配准。正文内容正文内容近年来，多传感器数据融合技术已受到广泛关注，它的理论和方法已被应 用到许多研
4、究领域。多传感器数据融合技术的基本原理是充分利用多个传感器 资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或 时间上冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解 释或描述本文首先介绍了数据融合原理：其次基于雷达网系统误差分析阐述了 组网系统中不充分的误差修正对数据融合的不利影响；然后讨论了现有几种主 要的误差配准方法即实时质量控制法(RTQC)，最小二乘法(LS)，最大似然法 (MLH)、广义最小二乘法(GLS)；最后推导了一种旨在消除坐标转换误差的修正 最小二乘算法。由于以上几种算法都是基于对目标跟踪影响最大的距离偏差和 方位误差的简单误差模型。因此，当
5、存在的多种误差不能被忽略的情况下，这 几种算法必然出现计算不准确的问题。为了避免复杂系统误差模型下计算量大 的问题，本文还讨论了目前基于 BP 网络的神经网络的误差配准方法。为避免收 敛速度慢和泛化能力弱的问题，提出了一种采用内部回归网络的误差配准算法。 最后对最小二乘算法和新的神经网络算法的误差配准性能作了比较。在存在距 离量测误差、测角误差、雷达扇区误差及不同噪声的情况下以及对神经网络的 外推性能进行了数据仿真，仿真结果证明了新的神经网络配准算法具有比最小 二乘算法更好的配准精度和较好的稳定性。 本文研究组网雷达数据的空间配 准问题，也就是如何消除多雷达间的系统误差。在雷达的实际使用中，可
6、能存 在多种误差，如站点标定误差、参考方位的标定误差、测距测角误差及坐标转 换等。这些系统误差的存在将影响航迹数据融合，或者使融合后的航迹数据精 度变差，因此必须对多部联网的雷达进行误差配准。 近年来，多传感器数据融合技术已受到广泛关注，它的理论和方法已被应用到 许多研究领域。多传感器数据融合技术的基本原理是充分利用多个传感器资源， 通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或时间上 冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描 述本文首先介绍了数据融合原理：其次基于雷达网系统误差分析阐述了组网系 统中不充分的误差修正对数据融合的不利影响；然后讨论了现
7、有几种主要的误 差配准方法即实时质量控制法(RTQC)，最小二乘法(LS)，最大似然法(MLH)、广 义最小二乘法(GLS)；最后推导了一种旨在消除坐标转换误差的修正最小二乘算 法。由于以上几种算法都是基于对目标跟踪影响最大的距离偏差和方位误差的 简单误差模型。因此，当存在的多种误差不能被忽略的情况下，这几种算法必 然出现计算不准确的问题。为了避免复杂系统误差模型下计算量大的问题，本 文还讨论了目前基于 BP 网络的神经网络的误差配准方法。为避免收敛速度慢和 泛化能力弱的问题，提出了一种采用内部回归网络的误差配准算法。最后对最 小二乘算法和新的神经网络算法的误差配准性能作了比较。在存在距离量测
8、误 差、测角误差、雷达扇区误差及不同噪声的情况下以及对神经网络的外推性能 进行了数据仿真，仿真结果证明了新的神经网络配准算法具有比最小二乘算法 更好的配准精度和较好的稳定性。 本文研究组网雷达数据的空间配准问题， 也就是如何消除多雷达间的系统误差。在雷达的实际使用中，可能存在多种误 差，如站点标定误差、参考方位的标定误差、测距测角误差及坐标转换等。这 些系统误差的存在将影响航迹数据融合，或者使融合后的航迹数据精度变差， 因此必须对多部联网的雷达进行误差配准。近年来，多传感器数据融合技术已受到广泛关注，它的理论和方法已被应用到 许多研究领域。多传感器数据融合技术的基本原理是充分利用多个传感器资源
9、， 通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或时间上 冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描 述本文首先介绍了数据融合原理：其次基于雷达网系统误差分析阐述了组网系 统中不充分的误差修正对数据融合的不利影响；然后讨论了现有几种主要的误 差配准方法即实时质量控制法(RTQC)，最小二乘法(LS)，最大似然法(MLH)、广 义最小二乘法(GLS)；最后推导了一种旨在消除坐标转换误差的修正最小二乘算 法。由于以上几种算法都是基于对目标跟踪影响最大的距离偏差和方位误差的 简单误差模型。因此，当存在的多种误差不能被忽略的情况下，这几种算法必 然出现计算不准
10、确的问题。为了避免复杂系统误差模型下计算量大的问题，本 文还讨论了目前基于 BP 网络的神经网络的误差配准方法。为避免收敛速度慢和 泛化能力弱的问题，提出了一种采用内部回归网络的误差配准算法。最后对最 小二乘算法和新的神经网络算法的误差配准性能作了比较。在存在距离量测误 差、测角误差、雷达扇区误差及不同噪声的情况下以及对神经网络的外推性能 进行了数据仿真，仿真结果证明了新的神经网络配准算法具有比最小二乘算法 更好的配准精度和较好的稳定性。 本文研究组网雷达数据的空间配准问题， 也就是如何消除多雷达间的系统误差。在雷达的实际使用中，可能存在多种误 差，如站点标定误差、参考方位的标定误差、测距测角
11、误差及坐标转换等。这 些系统误差的存在将影响航迹数据融合，或者使融合后的航迹数据精度变差， 因此必须对多部联网的雷达进行误差配准。 近年来，多传感器数据融合技术已受到广泛关注，它的理论和方法已被应用到 许多研究领域。多传感器数据融合技术的基本原理是充分利用多个传感器资源， 通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或时间上 冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描 述本文首先介绍了数据融合原理：其次基于雷达网系统误差分析阐述了组网系 统中不充分的误差修正对数据融合的不利影响；然后讨论了现有几种主要的误 差配准方法即实时质量控制法(RTQC)，最小二
12、乘法(LS)，最大似然法(MLH)、广 义最小二乘法(GLS)；最后推导了一种旨在消除坐标转换误差的修正最小二乘算 法。由于以上几种算法都是基于对目标跟踪影响最大的距离偏差和方位误差的 简单误差模型。因此，当存在的多种误差不能被忽略的情况下，这几种算法必 然出现计算不准确的问题。为了避免复杂系统误差模型下计算量大的问题，本 文还讨论了目前基于 BP 网络的神经网络的误差配准方法。为避免收敛速度慢和 泛化能力弱的问题，提出了一种采用内部回归网络的误差配准算法。最后对最 小二乘算法和新的神经网络算法的误差配准性能作了比较。在存在距离量测误 差、测角误差、雷达扇区误差及不同噪声的情况下以及对神经网络
13、的外推性能 进行了数据仿真，仿真结果证明了新的神经网络配准算法具有比最小二乘算法 更好的配准精度和较好的稳定性。 本文研究组网雷达数据的空间配准问题， 也就是如何消除多雷达间的系统误差。在雷达的实际使用中，可能存在多种误 差，如站点标定误差、参考方位的标定误差、测距测角误差及坐标转换等。这 些系统误差的存在将影响航迹数据融合，或者使融合后的航迹数据精度变差， 因此必须对多部联网的雷达进行误差配准。 近年来，多传感器数据融合技术已受到广泛关注，它的理论和方法已被应用到 许多研究领域。多传感器数据融合技术的基本原理是充分利用多个传感器资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空
14、间或时间上 冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描 述本文首先介绍了数据融合原理：其次基于雷达网系统误差分析阐述了组网系 统中不充分的误差修正对数据融合的不利影响；然后讨论了现有几种主要的误 差配准方法即实时质量控制法(RTQC)，最小二乘法(LS)，最大似然法(MLH)、广 义最小二乘法(GLS)；最后推导了一种旨在消除坐标转换误差的修正最小二乘算 法。由于以上几种算法都是基于对目标跟踪影响最大的距离偏差和方位误差的 简单误差模型。因此，当存在的多种误差不能被忽略的情况下，这几种算法必 然出现计算不准确的问题。为了避免复杂系统误差模型下计算量大的问题，本 文还讨
15、论了目前基于 BP 网络的神经网络的误差配准方法。为避免收敛速度慢和 泛化能力弱的问题，提出了一种采用内部回归网络的误差配准算法。最后对最 小二乘算法和新的神经网络算法的误差配准性能作了比较。在存在距离量测误 差、测角误差、雷达扇区误差及不同噪声的情况下以及对神经网络的外推性能 进行了数据仿真，仿真结果证明了新的神经网络配准算法具有比最小二乘算法 更好的配准精度和较好的稳定性。 本文研究组网雷达数据的空间配准问题， 也就是如何消除多雷达间的系统误差。在雷达的实际使用中，可能存在多种误 差，如站点标定误差、参考方位的标定误差、测距测角误差及坐标转换等。这 些系统误差的存在将影响航迹数据融合，或者
16、使融合后的航迹数据精度变差， 因此必须对多部联网的雷达进行误差配准。 近年来，多传感器数据融合技术已受到广泛关注，它的理论和方法已被应用到 许多研究领域。多传感器数据融合技术的基本原理是充分利用多个传感器资源， 通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间或时间上 冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描 述本文首先介绍了数据融合原理：其次基于雷达网系统误差分析阐述了组网系 统中不充分的误差修正对数据融合的不利影响；然后讨论了现有几种主要的误 差配准方法即实时质量控制法(RTQC)，最小二乘法(LS)，最大似然法(MLH)、广 义最小二乘法(GLS)；最后推导了一种旨在消除坐标转换误差的修正最小二乘算 法。由于以上几种算法都是基于对目标跟踪影响最大的距离偏差和方位误差的 简单误差模型。因此，当存在的多种误差不能被忽略的情况下，这几种算法必 然出现计算不准确的问题。为了避免复杂系统误差模型下计算量大的问题，本 文还讨论了目前基于 BP 网络的神经网络的误差配准方法。为避免收敛速度慢和 泛化能力弱的问题，提出
