搜索资源列表
Sensor_Information_Fusion_and_Its_Application_in_R
- 传感器信息融合及其在机器人中的应用 摘要：多传感器信息融合即融合多个传感器提供的冗余、互补或更实时的信息，可以获得系统所需的 更准确和更精确的信息。介绍了神经网络融合方法，探讨了信息融合技术在机器人方面的应用。机器 人避障实验验证了所提方法的有效性。 关键词：多传感器信息融合(MIF)；神经网络；移动机器人；避障；-Sensor Information Fusion and Its Application in Robot Summary: Multi-sensor data f
ltticeclosedegree
- 首先将测量值与估计值都进行模糊化，然后计算测量值与估计值之间的格贴近度, 利用贴近度来描述各个传感器在测量中的权重，最后得到融合结果。-First, the measured values and estimated values are fuzzified, and then calculated between measured and estimated values of the lattice close to the degree of closeness to describe t
test_gpsins_source
- hybrid fusion of multi sensors navigation
information-fusion-algorithm
- 本文利用模糊理论中的高斯隶属 度函数来获得模糊观测下具有概率特性的似然函数，并且由此似然函数得到每个传感器提供信息的可信度；再将各传感器的可 信度转化成基本概率赋值函数即mass 函数；最后利用证据理论对多传感器信息进行融合。对目标识别的仿真试验表明该方法获 得的结果比直接结果具有更高的精度和可靠性。-The method uses fuzzy theory in the Gaussian fuzzy membership function to obtain a probabl
MapBuilding
- 本程序所采用的基于栅格的地图表示方法即将整个环境离散化为规则的基本单元，二维栅格，对于每个栅格指出其中是否存在障碍物，通过对栅格的描述实验环境的建模。目前，这种方法已经在许多机器人系统中得到应用，是使用较为成功的一种方法。栅格地图的优点是：易于创建和维护，且不需要明确的几何参数。栅格地图的缺点是：当栅格数量增大时(在大规模环境或对环境划分比较详细时)，对于地图的维护所占用的内存和CPU时间迅速增长，使计算机的实时处理变得很困难，也就是说刚栅格表示的环境地图，环境空间的分辨率与栅格尺寸的大小有关，
xiaoboronghe
- 它是指将来自同一目标的不同传感器的信息通过一定的算法融合到一幅图上,从而获得比在单幅图上更完整-It is to point to will come from the same target of different sensors through certain information fusion algorithm to a picture on, to get in on the drawing than single more complete
D_2CFAR
- 两部传感器，相互采用CA-CFAR性能分析，并比较了不同融合准则下的性能-Two sensors each other using the CA-CFAR performance analysis, and compare the performance of different fusion criterion
nonlinear_measure
- 代码实现多源信息融合中的针对多个传感器同时检测一个目标时的非线性测量和分布式融合。-The code can realize the non-linear measure and data fusion, in multi-source information fusion, when multiple sensors detect a target measurement.
p222
- 卡尔曼滤波器完成多传感器融合算法，不同机器人的不同传感器对足球位置进行估计，融合不同传感器数据得到精确估计-Kalman filter to complete the multi-sensor fusion algorithm, the different sensors of the robot football position estimates, the integration of different sensor data accurate estimate of
Fusion-based-Sensor-Placement
- 论文 在使用无线传感器网络进行目标检测时,如何布置尽可能少的传感器节点而同时实现高的正确检测概率和 低的误警率,是关键问题之一。采用数据融合技术,能实现传感器节点之间的协同,从而大幅提高目标检测精度。提 出了用于目标检测的精度模型,分析了数据融合半径与传感器节点密度之间的关系,设计聚类方法将目标点组织成布 置单元,从高密度单元到低密度单元布置传感器节点覆盖目标区域。仿真结果表明,算法在保证检测精度的同时能有 效减少所使用的传感器节点数目。 - Sensor placeme
MMWIR
- 红外与雷达的异类传感器异步数据融合，采用序惯融合结构-Infrared and radar sensors heterogeneous asynchronous data fusion, using Sequential fusion structure
code
- 1.CAmodelfusion.m 主要功能： （1）完成两个传感器各自对基于CA模型的目标状态的Kalman估计； （2）实现传感器的局部状态估计的SCC和CI融合算法的实现； （3）画出局部估计和两种融合估计的位置、速度、加速度的误差； （4）画出局部估计和两种融合估计的协方差椭圆。 2.CVmodelfusion.m 主要功能： 功能与CAmodelfusion.m基本相似，差异在于实现基于CV模型的估计和估计融合。 3.CovInter.m
matlab程序
- 主要功能： 1.完成传感器对目标状态的kalman滤波估计； 2.对传感器的状态估计进行SCC和CI融合； 3.画出位置及速度的估计和融合误差曲线、真实航迹及融合后航迹、K=1时刻的协方差椭圆(Main functions: 1. The Kalman filter estimation of the target state is completed; 2. The state estimation of sensors is fused by SCC and CI; 3. Draw the