结构健康监测中的数据融合技术

目的为了充分利用大型结构健康监测系统中来自不同时间与空间的多传感器信息资源，获得被测对象的一致性决策和估计任务。进而提高确诊率．方法从多传感器数据融合的概念、基本原理出发，探讨了数据融合技术在结构健康监测与诊断中应用的可行性，重点研究了基于人工智能的数据融合技术在结构健康监测及诊断中的应用方法．结果提出了小波概率神经网络数据融合损伤检测技术及其在结构损伤检测中的应用．结论基于多传感器数据融合的健康监测与诊断是可行的、有效的．     

基于软计算方法的结构损伤信息融合

为了提高多传感器下损伤识别结果的精度,提出了结构整体支持向量机损伤诊断矩阵、损伤自信息和损伤信息熵的概念.将结构划分为多个子结构后,针对各个子结构分别进行样本采集训练并建立结构整体支持向量机损伤诊断矩阵,同时利用信息熵实现了特征层融合.基于模糊集理论、物元理论和模糊神经网络,研究了3种结构损伤信息决策层融合和评估的方法.对一个空间结构算例的损伤信息进行了多层次融合,结果表明:所提出的特征层融合方法及3种决策层信息融合方法准确有效.     

结构损伤识别的耦合神经网络方法

目的 基于误差传播算法的BPNN和基于自适应共振理论的ART神经网络，提出一种耦合神经网络的三级识别模型，以实现对结构损伤的自主识别，方法 采用分步识别的思想，利用ART神经网络首先识别出有损伤的层，然后用遗传算法搜索最佳的BP神经网络结构来分别识别结构损伤的具体位置和损伤程度．结果 通过对结构健康监测基准问题的计算表明。提出的耦合神经网络的识别模型能够自主识别结构损伤的发生，正确识别结构损伤的具体位置和损伤程度．结论 基于误差传播算法的BPNN和基于自适应共振理论的ART神经网络组成的耦合神经网络识别模型具有自主识别结构损伤发生的能力。且识别速度快，能够正确识别结构损伤发生的具体位置和损伤程度．适宜于在线监测。     

基于WPNN与数据融合的损伤检测方法

目的 为了有效利用结构健康监测系统中的多源传感器数据信息，对复杂结构的健康状况进行诊断进而提高确诊率．方法 利用概率神经网络(PNN)的贝叶斯推理与诊断能力及多传感器数据融合原理，将神经网络与数据融合有机结合，使两者优势互补，提出了复杂结构损伤检测技术及其在多层框架结构中损伤检测及诊断中的应用．结果 提出了基于小波概率神经网络(WPNN)与数据融合的损伤检测方法．结论 基于WPNN与数据融合的损伤检测方法是可行的、有效的．     

自适应小波概率神经网络损伤识别方法

目的 为了提高大型结构健康监测系统的监测能力与损伤诊断率，降低误报率．方法 以小波变换作为动力信号处理工具。利用其可以降低噪声以及在时域-频域表征信号特征的强大能力。提取小波能量作为特征参数；以贝叶斯推理作为模式识别原理的概率神经网络（PNN）为损伤识别分类器，利用遗传算法来优化PNN模型中的圆滑参数σ，提出自适应小波概率神经网络（AWPNN）损伤识别方法．并对ASCE的基准结构模型进行损伤识别研究以验证该方法的有效性．结果 研究结果表明，在噪声程度达40％时，AWPNN的识别正确率高达98％．结论 AWPNN具有较强的抗噪声能力和较高的损伤识别率。在结构健康监测与损伤识别领域具有很大的潜力．     

基于信息融合理论的空间点目标识别实验结果分析

提出一种三级融合的多传感器信息融合空间点目标识别方法,将BP网络和D—S证据推理有效地结合起来.第一级融合采用神经网络进行识别,第二和第三级采用D—S证据理论进行识别.仿真结果证明,本文提出的方法能较好地解决复杂目标和诱饵的识别问题.     

多传感器数据融合技术在火灾报警中的应用

针对目前火灾报警中存在的问题,提出了一种基于神经网络和D-S证据理论的多传感器数据融合技术,并通过模拟实际输入信号的仿真结果进行了证明.这种采用神经网络BP算法和D-S证据理论的多传感器数据融合技术,能够显著提高火灾的识别能力,有效降低火灾误报率.     

信息融合在空间点目标识别中的应用

提出一种三级融合的多传感器信息融合空间点目标识别方法,将BP网络和D—S证据推理有效地结合起来.第一级融合采用神经网络进行识别,第二和第三级采用D—S证据理论进行识别.经过三级融合后可以提高系统的识别率,尤其是在有噪声的情况下.仿真实验验证了算法的有效性.     

基于条件证据理论的雷达辐射源识别方法

基于观测证据与先验信息和谐的思想。利用条件证据理论。提出了一种融合先验信息的雷达辐射源识别方法，首先将雷达辐射源观测数据通过灰关联分析表示为D-S数据的随机集形式。然后计算观测证据与先验知识之间的和谐度。最后利用条件证据理论将需要融合的证据进行组合，该方法可在复杂战场环境下充分利用不同来源的信息，提高雷达识别的可靠性。     

利用模糊证据理论的信息融合方法及其应用

提出了一种基于模糊集合和证据理论的信息融合方法.针对证据理论应用中基本概率指派函数(mass函数)以及多传感器信息融合中各个传感器测量数据的可信度均难以确定的问题,首先利用传感器测量信息的不确定性得到辨识框架的隶属度函数;然后利用隶属度函数构造证据理论的mass函数;再根据各mass函数之间的距离评估各传感器的相对可信度,在此基础上对各个证据进行折扣,利用基于折扣系数法的改进证据理论组合规则对多传感器信息进行融合.最后将所提出的方法应用于目标识别系统中.仿真结果表明,在证据高度冲突时,该方法仍能正确识别目标,提高了信息融合系统的稳定性.     

基于小波包分解的数据融合损伤识别方法

目的为了充分利用来自多传感器的冗余、带噪声数据，提高结构损伤识别的精度．方法利用小波包良好的时一频特性，首先用小波包分解对结构响应进行处理．提取信号的不同特征参数，然后利用不同的特征向量对结构分别进行损伤识别，最后应用融合技术对不同的识别结果进行融合处理．并用一个七层钢结构框架的多损伤识别验证了该方法的有效性．结果结果表明，该方法能够极大地提高了结构损伤识别精度．结论运用小波包分析提取信号的特征参数与数据融合技术进行损伤识别．并使二者有机的结合是结构健康监测与检测的有效途径与发展趋势．     

神经网络数据融合在位移传感系统中的应用

温度漂移误差是位移传感系统的主要误差之一.为了提高位移传感器输出的精度与稳定性,可以把位移传感器的输出与温度传感器的输出进行数据融合.提出一种基于RBF网络(径向基函数神经网络)的多传感器数据融合方法,把位移传感器和温度传感器的输出送入融合中心,通过RBF网络的学习训练,得到稳定的位移输出.实验表明:在相同的温度波动情况下,位移传感器的输出稳定性比原来提高了约4倍.该方法在位移传感系统减小温度漂移的应用中十分有效.     

基于Boosting算法的Pegasis路由协议在无线传感器网络中的应用

一种基于Boosting算法的新无线传感器网络节点数据处理方法在文章中被提出,以提高使用Pegasis路由协议的无线传感器网络目标辩识率并降低系统能耗。文章对无线传感器网络中从簇头到汇聚节点的数据处理过程进行了重新设计,在簇头使用数据融合技术以减少数据信息冗余和系统能耗,在汇聚节点采用Gentle Boosting算法提高信息准确度并实现最优决策簇的选取。基于Boosting算法的数据处理方法在保持Pegasis路由协议优点基础上,在系统辩识率与系统能耗两者之间寻找到一个较为理想的平衡点。最后实验结果显示,与传统方法相比文章中的数据处理方法在提高辩识率与降低系统能耗方面拥有更好的性能。     

基于数据融合的日光温室传感器布设

针对北方日光温室内环境监测传感器的布设问题,设计了基于神经网络、分批估计理论与自适应加权平均融合算法的日光温室传感器布设方案.利用11个监测点采集到的温室内西红柿生长环境温度和湿度数据,在运用BP神经网络进行缺失值补全的基础上,结合分批估计理论和自适应加权平均融合算法进行多传感器数据融合.通过对比融合值与原始数据的相对误差,选择最佳传感器数据,以此为基础确定最优传感器布设区域.结果表明,相对于算数平均融合与自适应加权平均融合,基于分批估计的自适应加权平均融合方法可以更合理地反应多传感器数据特征.     

基于结构健康监测系统的桥梁数据异常诊断研究

桥梁结构监测主要集中在对桥梁结构损伤位置和损伤程度的研究, 然而, 这是以桥梁结构健康监测系统数据有效为前提的. 在实际的环境里, 由监测系统自身故障引起的异常往往会对监测数据有一定影响, 使得监测系统产生损伤误报, 增加了虚警率; 同时, 由某些外部荷载引起的突发事件, 可能会对结构有严重破坏, 不利于桥梁的安全维护和管理. 为了保证桥梁的安全, 提高桥梁结构监测的有效性, 有必要对特殊事件进行异常诊断. 该文将一类识别方法应用到桥梁数据诊断中, 即通过核主成分分析和超球面一类支持向量机方法将一般监测数据和特殊事件数据有效区分, 并利用江阴大桥的加速度传感器数据验证了该方法在船撞、台风、传感器装机噪声和传感器跳变信号下的有效性.     

基于模糊神经网络融合技术的智能火灾预警系统

根据当今火灾探测的现状和实现火灾早期探测的需求,将多传感器数据融合技术应用在火灾预警系统中.选择多个传感器对火灾过程的多参数进行监测,特别对火灾发生初期产生的异常信息进行全面监控,弥补了采用单一传感器的不足,扩展了时间上和空间上的监测范围.系统采用基于模糊神经网络多传感器融合技术,增强了系统报警输出的灵敏度和可靠性,实现了提前预警的目的.     

基于卷积神经网络的电子鼻分类识别

在混合气体识别的研究中,针对目前电子鼻应用于化工污染物种类监测时难以达到理想精度的问题,提出了一个基于卷积神经网络的气体分类识别算法。首先利用卷积神经网络的自适应特征提取能力,有效降低原始数据对后续操作的影响;其次进行多次实验训练,对卷积神经网络进行参数优化,提高网络模型性能;最后将提出的卷积神经网络算法与BP神经网络算法分别应用于加州大学公开数据集中的一氧化碳和乙烯混合气体的实验数据中。实验结果表明,卷积神经网络算法对此数据集的气体种类检测准确率达到93%,比BP神经网络算法应用于气体识别时精度更高,误差更小,为电子鼻系统气体种类检测提供了一种新的方法。     

多传感器数据融合技术在智能压力检测中的应用

传感器之间大都相互影响，存在交叉干扰，这将直接导致传感器稳定性下降，以及测量精度降低等。提出一种基于神经网络的多传感器数据融合技术处理方法，并将其应用到智能压力检测系统中。通过对融合前后的数据进行比较分析，表明该方法大大降低了交叉干扰，有效提高了测量精度，达到了预期效果。