XiaoMi-AI文件搜索系统
World File Search System数据融合
通用数据融合框架：用于空间机器人的开源通用数据融合框架
摘要 多传感器数据融合在为自主系统提供可靠运行所必需的环境信息方面发挥着至关重要的作用。在本文中，我们总结了新开发和发布的通用数据融合框架的模块化结构并解释了它的使用方法。传感器数据在通用数据融合框架内注册和融合，以生成全面的 3D 环境表示和姿势估计。通过对框架的完整概述，介绍了以可重用的方式建模此过程的拟议软件组件，然后列出了所提供的数据融合算法，并通过从 2D 图像进行 3D 重建的案例，举例说明了通用数据融合框架方法。通用数据融合框架已在各种场景中部署和测试，包括执行行星探测器探索和轨道卫星跟踪操作的机器人。
存储库引用存储库引用 Muller，Amanda Christine，“用于军事应用的认知工程多传感器数据融合系统”（2006 年）。浏览所有论文和学位论文。32. https://corescholar.libraries.wright.edu/etd_all/32
本研究的部分资金由代顿地区研究生院 (DAGSI) 和空军研究实验室、传感器理事会、光电研究分部 (AFRL/SNJM) 提供。我要由衷感谢我的家人、朋友和莱特州立大学的同事在我攻读博士期间的支持。特别是，我要感谢以下人员，没有他们，本研究不可能完成：我的导师 Narayanan 博士，对我充满信心，鼓励我在遇到困难时坚持下去；Hill、Skipper、Litko 和 McManamon 博士抽出时间担任我的委员会成员并提出建设性批评；AFRL/SNJM 的 Matthew Dierking、Bob Feldmann、Larry Barnes 和 John Schmoll 对本研究的赞助； AFRL/SNJM 的 Timothy Meade 真的竭尽全力为我提供推动研究所需的一切；Brian Ewert 中校和Michael Nielsen 抽出时间，向我传授他们作为飞行员的专业知识；AFRL/HEPG 的 Bob Esken 不知疲倦地帮助我完成这个项目的最后阶段 — — 他的付出让我的成果比没有他时更有价值；Richard (Andy) McKinley、Narashima (Seshu) Edala 和 Mike Young 提供他们的建模专业知识来帮助我进行分析；最后，但当然也是最重要的，我的丈夫 Paul Muller，他在我的整个学术生涯中都包容我，每当我怀疑自己时，他总是安慰我。
用于使用自主水下航行器进行海底战争的数据融合架构
IV. 候选架构 ................................................................................................49 A. 功能分析 ..............................................................................................49 1. 行为分配 ..............................................................................................49 2. 功能需求 ..............................................................................................51 B. 架构综合 ..............................................................................................55 1. 功能架构 ..............................................................................................55 2. 输入 / 输出数据 ......................................................................................64 3. 物理架构 .............................................................................................66 4. 接口定义 .............................................................................................75 C. 性能特性 .............................................................................................78 1. 马尔可夫链 .............................................................................................79 2. 建模范式 .............................................................................................79 3. 仿真分析 .............................................................................................81
将飞行数据与社交媒体数据融合 - NATO STO
军事决策通常基于信息系统，其中人类参与其中，必须解释来自多个来源的数据。当数据源产生大量数据时，这个过程对人类来说可能非常难以承受。我们研究大数据分析和信息融合技术在多大程度上可用于支持人类处理大量异构数据，并作为 OODA 循环的观察和定位步骤的一部分提高对正在展开的事件的理解。我们的工作重点是融合来自两个非常不同的数据源的数据：来自社交媒体平台 Twitter 的用户生成内容和来自 OpenSky 传感器网络的空中交通管制数据。我们的目标是查找并提供与航空领域相关的事件的详细信息，这些信息同时出现在两个数据源中。挑战在于融合来自飞机通信的准确和明确的数据与 Twitter 中使用的非常广泛和不精确的自然语言。为了弥合这些来源之间的语义鸿沟，我们开发了一种先进的信息融合模型，该模型允许我们使用每个来源作为事件的触发器，同时使用来自另一个来源的信息丰富数据。使用我们几个月来收集的真实数据，我们展示了多个证据表明两个来源相互丰富。这是以自动化方式完成的，但通常会导致更松散和不准确的关系，需要人类进行适当的解释和理解。尽管如此，这种组合增强了理解，因此非常有助于作为决策者评估事件进展并采取相应行动的基础。
用于目标识别的贝叶斯多传感器数据融合
摘要：军事指挥和控制系统必须处理各种不同的传感器和来源。除了传统信息源（如 IFF、战术数据链和 ESM 传感器）之外，AIS、蓝军跟踪和 GMTI 雷达等其他来源也成为目标识别和分类的重要来源。正确识别是防止误伤和平民附带损害以及完成态势感知的重要先决条件。本文概述了我们扩展贝叶斯识别过程的解决方案，以便为海军以及空中和地面目标建立战术图景。对于一些传感器和重要的识别源，如自动识别系统 (AIS)、自动目标识别 (ATR) 和 GMTI 雷达，我们将详细介绍解决方案。
跨域数据融合的若干研究
摘要：在现实世界中，对一个对象（例如：人、机器等）的分析和决策并不依赖于单个领域（例如：社交网络、地理、实时媒体等）或单个来源。为了提供更好的调查和质量推理，需要组合（融合）来自不同来源的数据。数据集成用于集成来自不同来源的数据以增强信息的目的，但它不适合大数据集。数据融合是一种数据分析技术，它融合了代表同一对象的多种单独类型的数据（大数据集）。针对一个对象的多种数据协同工作产生的效果大于它们单独效果的总和。数据融合的关键挑战是很难检索和融合不同领域的数据。为了解决这个问题，提出了跨域数据融合应用和技术。本文全面讨论了数据融合的发展及其应用。提出了一种用于医疗保健领域的预测模型的新框架。关键词：大数据、数据融合、数据集成、跨域数据融合、沉淀。 1. 简介 传统数据挖掘仅分析项目的物理存在与否，不考虑数据的语义方面 [1]。但在大数据时代，人类每天都会从各种来源（例如传感器、社交媒体、物联网、外部互联网）以各种形式创建出数以千万亿字节的数据
ITS 数据融合：技术和研究需求
摘要 智能交通系统 (ITS) 基础设施包含传感器、数据处理和通信技术，有助于提高乘客安全、减少旅行时间和燃料消耗，并减少事故检测时间。来自蓝牙® 和基于 IP（蜂窝和 Wi-Fi）通信、全球定位系统 (GPS) 设备、手机、探测车辆、车牌阅读器、基于基础设施的交通流传感器以及未来的联网车辆的多源数据使得多源数据融合能够被利用来对监控或观察的情况产生更好的解释。这是通过减少单个源数据中存在的不确定性来实现的。尽管数据融合 (DF) 已经证明了二十多年，但它仍然是一个与日常交通管理运营相关的新兴领域。迄今为止应用的数据融合技术包括贝叶斯推理、Dempster-Shafer 证据推理、人工神经网络、模糊逻辑和卡尔曼滤波。本文对 ITS DF 应用进行了调查，包括匝道计量、行人过街、自动事件检测、行程时间预测、自适应信号控制以及碰撞分析和预防，并指出了未来研究的方向。迄今为止令人鼓舞的结果不应掩盖在交通管理中广泛部署 DF 之前仍然存在的挑战。
STARFM 与基于分解的 Landsat 和 MODIS 数据融合算法的比较
本研究的重点是比较应用于中高空间分辨率传感器的数据融合方法。应用了两种已记录的方法，即空间和时间自适应反射融合模型 (STARFM) 和基于解混的方法，该方法提出了一种贝叶斯公式来整合先前的光谱信息。此外，两种算法的优势结合在一种新颖的数据融合方法中：空间和时间反射解混模型 (STRUM)。使用模拟图像和 Landsat 和 MODIS 图像展示了每种方法的潜力。算法的理论基础使 STARFM 和 STRUM 产生类似 Landsat 的反射，同时保留 Landsat 图像中的空间模式，而基于解混的方法产生类似 MODIS 的反射。还使用时间 NDVI 配置文件评估了融合图像捕捉物候变化的能力。 STARFM NDVI 的时间剖面与 Landsat NDVI 剖面非常相似。然而，在模拟输入高分辨率图像很少的情况的实验中，基于分离的方法和 STRUM 可以更准确地重建 NDVI 轨迹。STRUM 性能最佳，因为它产生的表面反射与参考 Landsat 图像的相关性最高。这项研究的结果表明，STRUM 更适合需要类似 Landsat 表面反射的数据融合应用，例如间隙文件
海军试验场的数据融合
在约翰霍普金斯大学 APL 技术文摘 1 的一篇早期文章中，我重点介绍了新技术在雷达信号处理中的应用，以便通过陆基雷达探测海面目标。这项工作代表了信号处理的独立研究和开发工作，最终为海军试验场开发了一项开发任务，用于自动探测和跟踪地面目标，以实现靶场安全和控制应用。早期文章“用于探测地面目标的高级信号处理技术”描述了使用高速数字集成电路、模数转换器和基于微处理器的单板计算机开发和实施的信号处理算法。由此产生的信号处理器在连接到地面监视雷达时，以较低的、受控良好的误报率提供目标声明，并且对小型和大型地面目标具有良好的检测潜力。为太平洋导弹测试中心（Pt.）开发的系统。加利福尼亚州穆古市将该信号处理器放置在三个非共置地面监视雷达上，并将目标检测数据链接到中央站点，以进行自动目标跟踪、轨迹数据显示，并最终进行距离跟踪和控制（参见图I 了解雷达的位置，参见图2 了解系统框图）。构成自动目标跟踪系统的自动轨迹启动、目标跟踪、图形数据显示和数据接口功能是在基于商用单板计算机的分布式微处理器架构中实现的。这种传感器轨迹数据融合方法被证明是高效和有效的，并且有可能在实时传感器轨迹数据融合中得到更广泛的应用。在 Pt.Mugu 中心认识到了这一潜力，并将努力范围扩大到包括全面的传感器轨迹数据融合系统。
海军试验场的数据融合
在约翰霍普金斯大学 APL 技术文摘 1 的一篇早期文章中，我重点介绍了新技术在雷达信号处理中的应用，以便通过陆基雷达探测海面目标。这项工作代表了信号处理的独立研究和开发工作，最终为海军试验场开发了一项开发任务，用于自动探测和跟踪地面目标，以实现靶场安全和控制应用。早期文章“用于探测地面目标的高级信号处理技术”描述了使用高速数字集成电路、模数转换器和基于微处理器的单板计算机开发和实施的信号处理算法。由此产生的信号处理器在连接到地面监视雷达时，以较低的、受控良好的误报率提供目标声明，并且对小型和大型地面目标具有良好的检测潜力。为太平洋导弹测试中心（Pt.）开发的系统。加利福尼亚州穆古市将该信号处理器放置在三个非共置地面监视雷达上，并将目标检测数据链接到中央站点，以进行自动目标跟踪、轨迹数据显示，并最终进行距离跟踪和控制（参见图I 了解雷达的位置，参见图2 了解系统框图）。构成自动目标跟踪系统的自动轨迹启动、目标跟踪、图形数据显示和数据接口功能是在基于商用单板计算机的分布式微处理器架构中实现的。这种传感器轨迹数据融合方法被证明是高效和有效的，并且有可能在实时传感器轨迹数据融合中得到更广泛的应用。在 Pt.Mugu 中心认识到了这一潜力，并将努力范围扩大到包括全面的传感器轨迹数据融合系统。