基于BP神经网络的多传感器信息融合研究

BP网络是应用最广的一种人工神经网络,将BP神经网络应用到压力检测领域的温度等非线性补偿,具有重要的实用价值,对压力检测精度的改进效果显著;从传感器信息融合的角度看,神经网络就是一个融合系统;通过对神经网络基本理论的阐述,针对研究对象将BP神经网络原理与多传感器信息融合技术有机集合起来,提出了基于BP神经网络的二传感器信息融合模型及改进算法,建立了BP神经网络训练标准样本库,并对该网络模型进行主要技术指标的测试和仿真工作,测试结果表明构建的模型及其改进算法能很好地满足了高精度压力检测仪的指标要求.     

基于PSO-BP的无线传感器网络数据融合算法研究

为提高无线传感器网络(WSN)数据融合效率,减少网络的通信量以及降低传感网的能量消耗,提出一种基于粒子群优化BP神经网络的无线传感器网络数据融合算法;该算法将粒子群算法优化BP神经网络的权值和阈值后,与传感器网络分簇路由协议有机结合,将无线传感器网络中簇头和节点等同于BP神经网络里的神经元,利用优化后的BP神经网络有效地提取WSN数据融合原始数据之中的少量特征数据,之后把提取的特征数据发送到汇聚节点,进而提升数据融合效率,延长网络生存周期;仿真实验证明,与LEACH算法、BP神经网络和GABP算法相比,该算法可有效减少网络通信量,降低节点总能耗的15%,延长网络生存时间。     

基于神经网络的传感器网络数据融合技术研究

研究传感器网络数据融合优化问题,由于采集数据过程各节点汇集存在大量的冗余信息,需通过融合,提高采集效率.针对传统的数据融合算法需要获得对象比较精确的数学模型,对于复杂难于建立模型的场合无法适用.为解决上述问题,提出了一种BP神经网络传感器网络数据融合方法,可对对象的先验要求不高,具有较强的自适应能力.首先建立三层网络结构,接着提取数据库中属性数据的特征值并作为网络的输入,然后通过调节输入向量与中心向量的距离及中心向量的值确定网络权值,最后对数据进行有效融合,仿真结果表明,通过对有损数据融合,无损数据融合相比较,得出采用BP神经网络对传感器数据进行融合处理,输出输入稳定简单,是一种有效的数据融合处理方法.     

PSO-BP网络模型在温室数据融合中的应用研究

由于温室的众多要素之间是相互制约、互相配合的,为了形成一个准确、合理的判断,将PSO算法的全局优化能力和BP神经网络良好的非线性映射能力相结合,优化BP神经网络的权值和阈值,提出了一种基于PSO的BP网络数据融合算法,并利用该算法对温室多传感器(温度传感器、湿度传感器和光照度传感器)同时检测到的数据进行融合。仿真结果表明:基于PSO-BP网络的数据融合算法能够获得温室准确有效的信息,提高温室控制的有效性与准确性。     

管道缺陷多超声传感器检测数据的神经网络融合

针对管道缺陷检测的现状,设计了超声传感器阵列检测系统,将神经网络技术应用于数据融合领域,采用改进的BP-LM算法对多个超声传感器测得的管道缺陷数据进行了融合处理.实验室检验结果表明,基于神经网络的数据融合大大提高了信号的质量,改进的BP-LM算法比标准BP算法融合效果更好,收敛速度更快.     

智能压力传感器精度的研究

通过对智能压力传感器精度的研究,选择基于自适应学习率的BP算法设计压力传感器。首先,给出了相应的硬件结构和软件设计,然后用标准的BP神经网络和改进的BP神经网络分别对压力和温度两个目标参量进行数据融合,进行测量结果显示。通过对测量结果的计算比较,发现利用改进的BP神经网络设计的传感器测量精度比标准的BP神经网络设计的传感器精度更高。     

基于PSO的神经网络在传感器 数据融合中的应用

针对压力传感器对温度存在交叉灵敏度这一具体问题,常采用BP神经网络对其进行数据融合.但BP神经网络方法训练收敛速度慢,易陷入局部最优.采用PSO全局优化算法训练多层前向神经网络权值,使网络训练误差比BP方法降低了两个数量级,并且收敛速度明显加快.融合结果表明基于PSO神经网络方法更有效地消除了温度对压力传感器的影响,显著提高了传感器的稳定性和准确度.     

基于BP神经网络数据融合的瓦斯监测系统

井下瓦斯监测系统为多传感器监测系统,它通过不同功能、不同精度、不同位置的传感器,对所需要的被测量进行多方位、多角度的测量。但是,目前对于多传感器所测的数据还没有一种通用的、行之有效的处理方法,井下瓦斯浓度的监测很难作到实时、精确。因此,文章提出了一种基于BP神经网络数据融合的瓦斯监测系统的设计方案,该方案采用改进的BP神经网络算法对多传感器数据进行融合,并采用两级融合的方式对数据进行处理,以得到井下环境特征。仿真结果表明,基于BP神经网络数据融合的瓦斯监测系统具有较高的测量精度,极大地提高了数据采集的可靠性、全面性和有效性。     

基于深度学习的无线传感器网络数据融合

在无线传感器网络数据融合算法中,BP神经网络被广泛用于节点数据的特征提取和分类。为了解决BP神经网络收敛慢,易陷入局部最优值且泛化能力差从而影响数据融合效果的问题,提出一种将深度学习技术和分簇协议相结合的数据融合算法SAESMDA。SAESMDA用基于层叠自动编码器(SAE)的深度学习模型SAESM取代BP神经网络,算法首先在汇聚节点训练SAESM并对网络分簇,接着各簇节点通过SAESM对采集数据进行特征提取,之后由簇首将分类融合后的特征发送至汇聚节点。仿真实验表明,和采用BP神经网络的BPNDA算法相比,SAESMDA在网络能耗大致相同的情况下具有更高的特征提取分类正确率。     

基于神经网络的自主吸尘机器人混合视觉研究

针对自主吸尘机器人非结构化的工作环境及避障的实时性要求,提出融合了超声波传感器和红外传感器的混合视觉算法,并且基于BP神经网络的传感器信息融合技术进行了实验。     

基于BP神经网络的压力传感器静态特性数据融合

针对压力传感器在实际应用中受非目标参量(温度)的影响而导致其输出数据不仅仅与目标参量(压力)有关，提出了采用BP神经网络技术对其进行数据融合处理，以消除非目标参量对压力传感器输出的影响。研究结果表明，利用神经网络实现传感器数据融合消除非目标参量对传感器输出的影响是可行的。     

基于数据融合的压力传感器静态特性研究

通常传感器的输出值不仅决定于目标参量,还会受到非目标参量的影响。为此,采用BP神经网络技术对其进行数据融合处理,以消除非目标参量对传感器输出值的影响。试验结果表明:该方法很好地抑制了传感器的交叉灵敏度,提高了其测量准确度。     

基于可拓神经网络的火灾探测算法

为解决传统单一传感器式的火灾探测器容易造成火灾报警的漏报和误报的问题,采用多传感器信息融合技术,将温度、烟雾浓度和CO浓度等多个参数相结合,进行综合分析,对火灾进行早期预测。采用可拓神经网络作为数据融合算法,以温度、烟雾浓度、CO气体浓度三个物理参量作为输入,以三种火灾预警等级作为输出。通过仿真分析结果表明：火灾正确识别率很高,达到93.9%以上。同时通过与传统BP神经网络的对比,表明可拓神经网络在数据融合的速度和可靠性上有突出的优势,从而使可拓神经网络实际应用于火灾早期预测成为可能。     

无线传感网中一种智能数据融合算法的实现及仿真分析

在无线传感网中,传感器节点一般都由自身装配的电池供电,难以进行电量补充,因此节约电量对于无线传感网来说至关重要.为了提高无线传感网能量使用效率,延长网络生存时间,提出了一种结合遗传算法和粒子群算法优化BP神经网络的智能数据融合算法 GAPSOBP(BP Neural Network Data Fusion algorithm optimized by Genetic algorithm and Particle swarm).GAPSOBP算法将无线传感网的节点类比为BP神经网络中的神经元,通过神经网络提取无线传感网采集的感知数据并结合分簇路由对收集的传感数据进行融合处理,从而大幅减少发往汇聚节点的网络数据量.仿真结果表明,与经典LEACH算法和PSOBP算法相比,GAPSOBP算法能有效减少网络通信量,节约节点能量,显著延长网络生存时间.     

BP神经网络在巡逻机器人多传感器数据融合中的应用

针对传统危化品仓库固定式监控器中监控范围小、报警准确率低的特点,研究了一款危化品仓库巡逻机器人,采用以拉依达准则改善BP神经网络融合性能的多传感器数据融合方法,通过采集泄露危化品浓度、仓库内环境温度和湿度等数据,在对数据进行拉依达去噪、归一化后利用BP神经网络进行融合输出.样机试验结果表明,该方法可有效提升危化品仓库巡逻机器人对空间环境的把握度,大幅度提高报警的准确性和可靠性,同时具备良好的传感器扩展性.     

12 m跨超声速风洞运行监测系统研究

为改善风洞试验条件和提高试验效率,针对1.2m跨超声速风洞进行了运行监测系统研究.针对风洞环境复杂、监测对象分散的特点,引入无线传感器网络构建了基于多传感器的分布式风洞运行监测平台.重点研究了基于BP神经网络的无线传感器网络数据融合和基于D-S证据理论的多传感器信息融合在风洞运行监测中应用.在实际应用中取得了良好的效果.     

基于神经网络的无线传感器网络数据预测应用研究

无线传感器网络是一种由数量庞大的网络节点形成的复杂无线网络,是无线传感器的典型应用,目前已经广泛应用在多个领域当中。将神经网络引入到无线传感器网络当中,通过神经元描述每一个无线传感器数据,构建神经网络元模型。对传统的神经网络模型进行改进,利用无线传感器的神经网络模型,实现无线传感器网络采集数据的融合与提取。通过各种应用类型的差异,选择影响数据输出结果的主要因素,建立一种能够进行预测的模型。以某个区域是否发生火灾为实验原型,对该区域的火灾发生概率进行预测,采用已有的火灾发生数据为训练样本,通过收敛的网络预测火灾发生的概率。实验结果表明,基于神经网络的无线传感器网络数据预测是一种可行、有效的方法。