多传感器数据融合中基于模糊逻辑和神经网络的传感器管理

在多传感器数据融合系统中,传感器的管理包括两个方面的问题,一是如何优化分配现有的传感器去更好地实现融合任务;二是如何消除外界环境变化或者某些传感器出现故障时带来的影响,针对这些问题,本文在给出多传感器数据融合系统矩阵表示的前提下,提出了一种基于模糊逻辑和神经网络的传感器管理方法。分析表明该方法较好地解决了多传感数据融合系统中传感器管理问题。     

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。     

基于神经网络的多传感器数据融合的分散型网络结构系统

多传感器数据融合在日益复杂的工业、军事等领域变得越来越重要,在实现方法上,神经网络由于其自身特点在该领域显示出广阔的应用前景。针对以往解决方案的不足,提出分散式的网络结构模型,详细描述了层次模型及各层次组成模块的工作原理及实现方法,然后提出高怪规划层的概念,用于实现分散型的网络结构。最后,进行了仿真实验,用实际数据论述该算法。     

基于神经网络的压力传感器数据融合

针对压力传感器在实际应用中受多个非目标参量的影响而导致其输出数据不仅仅与目标参量有关，提出了应用神经网络技术对多传感器数据进行融合以消除非目标参量对传感器输出的影响；研究结果表明，利用神经网络实现多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。     

神经网络的多传感器数据融合基于新算法在障碍物识别中的应用

本文提出了一种用于自主式移动机器人的障碍物类型识别的数据融合新方法，有两种不同的神经网络－小脑模型联接控制器和多层前向网分别来自ＣＣＤ摄象机的二维图象和来自超声测距系统的距离信息进行数据融合。     

基于LMS算法的多传感器数据加权融合方法

针对目前多传感器数据融合过程中,传感器观测噪声不易确定,提出了一种基于LMS算法的多传感器自适应加权数据融合方法。该方法将传感器最优加权系数的求解,转化为估计值的均方误差性能表面的最优解搜索,通过加入自适应阶段,采用自适应最小均方误差（LMS）算法调整传感器加权系数。仿真结果表明该方法的有效性。     

多传感器异步航迹融合算法与仿真

针对分布式多传感器数据融合系统,提出了一种多传感器异步航迹融合算法。由于不同传感器的采样时间各不相同,融合算法首先利用最小二乘法将局部航迹统一到融合中心的融合时间点,然后利用多传感器自适应航迹融合算法,将局部航迹进行融合,得到系统航迹。仿真结果表明该算法能够较好的解决异步航迹的融合问题,以较小的计算量达到了接近加权协方差(WCF)算法的融合精度。     

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。     

一种基于神经网络的力传感器的数据融合方法

电阻应变式测力传感器是目前国内外广泛使用的一种传感器。但它在使用的过程中,经常由于载荷分布不均,造成其精度的降低,使其输出特性呈现严重的非线性。引起这种误差的主要原因有：传感器的高度不足、斜载、偏心等。人工神经网络是由大量处理单元(神经元)组成的非线性大规模自适应系统,能够表达任意复杂的动态特性。因此,针对传感器的高度不足、斜载这两种情况,该文提出了利用前向多层神经网络进行数据融合。以筒式力传感器为例,阐述了其网络模型的建立过程。结果表明在高度降低和斜载的情况下,利用神经网络传感器仍能保持很高的精度。这在工程实际中是非常有用的。     

基于神经网络的压力传感器数据融合

针对压力传感器在实际应用中受多个非目标参量的影响而导致其输出数据不仅仅与目标参量有关,提出了应用神经网络技术对多传感器数据进行融合以消除非目标参量对传感器输出的影响;研究结果表明,利用神经网络实现多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.     

基于最小一乘估计的多传感器信息融合方法

针对多个传感器对某一特性指标进行测量实验的数据融合问题,从稳健性角度,利用统计理论中的最小一乘估计,提出一种多传感器数据的融合方法。该方法基于自适应加权,以最小化传感器测量数据的绝对偏差为目标函数,通过求解条件极值问题,得到各传感器数据的权数,从而给出融合结果。仿真实例表明方法的有效性和较好的稳健性。     

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.     

基于多传感器数据融合技术的应用研究

复杂系统的多传感器数据融合是一门新兴的技术,它通过对来自多个传感器的数据进行多级别、多方面、多层次的处理从而产生出单个传感器所不能获得的更有意义的信息.数据融合在军事领域和民用领域都有很大的发展和应用前景.该文提出了一种基于神经网络融合算法的多传感器数据融合技术,对所采用的数据融合技术用于烧结终点预测进行了详细介绍.通过仿真结果证明,该方法鲁棒性强,准确性高,泛化能力广,具有很强的实用性和推广价值.     

一种基于遗传算法的RBF神经网络优化方法

提出了一种新的RBF神经网络的训练方法，采用遗传算法对RBF神经网络的隐层中心值和宽度进行了优化，用递推最小二乘法训练隐层和输出层之间的权值。在对非线性函数进行逼近的仿真中，验证了该算法的有效性。     

基于多传感器大轴径测量系统的特征层数据融合

根据大轴径高精度测量要求,采用三组滚轮的多传感器同时对大轴径进行测量,将多传感器数据融合技术应用于大轴径测量系统中;数据融合方法可以避免单一传感器的局限性,充分利用不同时间和空间的测量数据信息,大大提高测量系统的性能和效率;建立了大轴径测量系统的数据融合系统模型,提出了将BP神经网络应用于大轴径测量系统的特征层数据融合,并进行了融合系统的仿真实验;研究结果表明,该方法能得到准确的测量结果,达到了系统对测试精度的要求.     

基于刀切法与自适应加权的多传感器信息融合算法

针对加权平均、最优加权、自适应加权多传感器信息融合算法的不足,提出采用刀切法与自适应加权方法相结合的信息融合算法。该算法在自适应加权的基础上充分利用观测值与各个历史时刻的估计值,通过构造伪值分别对估计值与加权因子进行Quenouille估计。实验结果表明,在经过刀切法与自适应加权相结合后,数据处理的精确性和稳健性方面都优于普通的处理方法。     

最优加权与递推最小二乘法相结合的多传感器信息融合

为改善多个同类传感器检测目标参数的性能,提出了根据各传感器量测数据品质对量测数据加权处理,并将加权后的数据作为递推最小二乘法的实时量测值的最优加权与递推最小二乘法相结合的多传感器信息融合方法.仿真结果表明,该方法在数据处理的精确性和稳健性方面都优于普通的处理方法.     

一种基于神经网络和证据理论的信息融合算法

针对目前多传感器系统中常用的信息融合方法,识别率较低、网络稳定性不好、不能很好地处理不确定性等问题,提出一种基于神经网络和DS方法的信息融合算法。该方法兼顾神经网络和DS推理二者的优势,有效地解决了目前信息融合方法对大噪声不确定性传感器测量信息的误识别问题。仿真实验结果验证了该算法在提高目标识别率和抗噪能力方面的有效性。     

基于Bayes估计的多传感器最优融合

本研究了多传感器数据融合技术的一种方法融合方法以Bayes估计理论为基础,并对数据进行了一致性检验,得到了多传感器最优融合数据,提高了数据的精确度。实际应用结果验证了算法的准确性,并进行了Matlab仿真,这种数据融合方法计算简便,可以获得比有限个传感器的算术平均值更准确的测量结果．具有较高的可靠性,可用于测量结果具有正态分布特性的多传感器测量系统。     

基于多传感器数据融合的无人机GPS欺骗检测研究

本文针对实际过程中可能存在的无人机GPS欺骗情况,提出了基于多传感器数据融合的GPS欺骗检测方法。该方法通过比较多传感器惯性导航系统加上Elman神经网络修正得到的位置信息与GPS输出位置信息,从而判断无人机GPS是否受到欺骗。该方法有两个创新点,第一个是使用Elman神经网络,在不增加传感器成本的基础上其有助于提高惯导系统输出位置信息的精度;第二个创新点是使用带延迟的扩展卡尔曼滤波器,用于解决多传感器数据不同步的问题。实验结果表明,本文提出的方法能有效的检测出GPS欺骗,从而保证无人机的安全飞行。