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.     

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。     

一种融合 KPCA 和 BP 神经网络的用水总量预测方法

针对影响用水总量的相关用水因子的不确定性和非线性多维特点,论文研究并提出了一种融合KPCA和思维优化BP神经网络的用水总量预测方法。首先运用相关系数法确定预测因子,然后利用核主成分分析（KPCA）对所述预测因子进行降维处理,解决数据之间的非线性特征,最后采用BP神经网络建立用水总量预测模型,同时采用思维进化学习算法优化BP神经网络的权值和阈值。该方法在国家统计局的2007-2016年度开放统计用水数据中实验,通过实验比较,该模型的相对预测误差小于5%,结果表明,融合 KPCA和思维优化BP神经网络的用水总量预测模型能很好的预测未来用水总量。     

一种新的证据组合规则应用于序列图像目标识别*

提出了一种新的证据理论组合规则,并结合BP神经网络和证据推理对序列图像目标识别问题进行应用.以修正的Hu不变矩为图像特征,利用数据融合的思想对来自目标的序列图像进行时间域融合处理.由BP神经网络对目标的初步识别结果构造基本置信指派函数,用该组合规则进行决策级数据融合,完成了三维飞机图像目标的识别仿真.仿真结果表明,新的组合规则结合BP神经网络的融合方法提高了三维飞机目标识别的准确性.     

基于BP神经网络的多传感器数据融合技术优化

传统的数据融合算法要求获得比较精确的对象数学模型,对于复杂的难于建立模型的场合无法适用。为解决上述问题,提出了一种基于BP神经网络算法的多传感器数据融合方法,对对象的先验要求不高,具有较强的自适应能力。仿真结果表明,采用BP神经网络对传感器数据进行融合处理大大提高了传感器的稳定性及其精度,效果良好。     

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.     

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。     

小波消噪和神经网络的网络流量混沌预测

网络流量数据中含有大量噪声,对网络流量预测精度产生不利影响,为此,提出一种小波消噪和神经网络相融合的网络流量混沌预测模型。采用小波技术对网络流量数据进行消噪处理,采用关联维数确定BP神经网络输入变量个数,采用BP神经网络建立网络流量预测模型。结果表明,与消噪前比,小波消噪和神经网络模型更能准确刻画网络流量的变化趋势,有效提高了网络流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

基于神经网络的传感器数据融合处理

为消除压力传感器在实际应用中输出数据受非目标参量(温度、供电电压波动)的影响提出了采用BP神经网络技术对其进行数据融合处理.研究结果表明,利用神经网络实现压力传感器数据融合对消除非目标参量对传感器输出的影响是有效的.     

基于DSmT的序列图像智能融合目标识别方法

提出了一种基于BP神经网络和DSmT推理的序列图像目标识别算法。以修正的Hu不变矩为图像特征，利用数据融合的思想对来自目标的序列图像进行时间域融合处理。由BP神经网络对目标的初步识别结果构造基本置信指派函数，用DSmT组合规则进行决策级数据融合，完成了三维飞机图像目标的识别仿真。仿真结果表明，融合方法提高了三维飞机目标识别的准确性。     

基于PCA-MP-BP的智能电网数据融合方法

为了提高对智能电网大数据的挖掘效率,提出了基于PCA-MP-BP的智能电网数据融合方法。首先对智能电网大数据技术和智能电网大数据融合技术进行了分析。采用主成分分析方法(PCA)提取出对预测结果有影响的主要特征值,作为BP神经网络的输入;然后提出了一种MapReduce和BP算法相结合的数据融合算法,该算法加快了数据处理效率;将所提的PCA-MP-BP算法用于智能电网大数据功率预测。实验仿真结果验证了所提方法具有更快的数据处理能力和更高的预测精度。     

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Labview的变压器故障诊断系统研究

本文首先基于油中溶解气体特征含量构建BP网络结构,采集数据样本,进行网络训练,然后应用信息融合原理搭建分层故障诊断模型,分析判断变压器的故障类型,并在此基础上判断变压器局部放电类型。然后采用虚拟仪器技术,在Labview平台上开发了变压器故障诊断系统,该系统从油气量和局部放电信号两个方面对变压器进行故障诊断和局部放电类型识别。通过油气量判断变压器故障类型,然后应用信息融合原理融合局部放电统计特征参量综合判别变压器局部放电类型。该系统实现了变压器油气含量分析,局部放电信号存储,数据综合处理,数据库的查询、修改以及删除功能,从而实现了对变压器的故障诊断。     

交叉验证的BP神经网络恒星光谱分类

LAMOST作为国家重大科学工程项目,目前在世界上对光谱的观测、获取率最高,为天文学的研究与发展提供大量的数据和信息资源.根据LAMOST发布的恒星光谱数据文件,从中提取出关于恒星光谱波长的数据信息,对数据进行噪声剔除、数据降维、数据规范化、数据降维处理.利用BP神经网络算法对数据进行分类处理,根据分类结果正确率来判断BP神经网络模型的优劣.但是BP神经网络对测试集数据的测试效果并不代表对其他数据具有同样的测试效果而且易产生过拟合,所以采用交叉验证与BP神经网络相结合的方法,BP神经网络算法可对多组不同的数据进行测试,得到多组测试结果并求得平均值,可得到BP神经网络模型相对稳定的测试结果并降低结果的随机性.     

基于卡尔曼滤波的陀螺仪降噪处理

针对MEMS陀螺仪输出信号随机漂移误差造成测量精度低的问题,提出了一种基于BP神经网络的卡尔曼滤波降噪模型.基于BP神经网络的基本原理,首先利用BP神经网络对系统进行学习,获得系统状态方程,然后建立了基于BP神经网络的滤波模型,最后应用于卡尔曼滤波对MEMS陀螺仪信号进行降噪.半实物模拟仿真实验表明:基于BP神经网络的卡尔曼滤波后的数据的速率随机游走等系数比原始数据下降6.89倍,验证了本方法的降噪性能优于基本卡尔曼模型,在MEMS陀螺仪的数据处理方面具有一定的应用价值.     

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WNN的BP算法的多传感器数据融合研究

小波神经网络（WNN）是将小波理论和神经网络理论结合起来的一种神经网络,有较强的函数学习能力和推广能力及广阔的应用前景。采用基于WNN的BP权值平衡算法对多传感器测量的结果进行特征级的数据融合,融合结果提供给决策级判断。该融合算法避免了BP网络收敛速度慢,易产生局部最优解等缺点,提高了学习的速度、精度。仿真结果表明了该方法的有效性。