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。     

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.     

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.     

神经网络技术在数据融合中的应用

在分析产生式系统与神经网络特点的基础上,介绍了一种如何将规则库转换为神经网络形式以及利用神经网络的学习能力和并行处理能力改善产生式系统的性能的方法．给出了一个在数据融合中应用该方法对雷达进行分类的例子．     

一种高性能数据融合算法在无线传感器网络中的应用

无线传感器网络对信息的安全性和可靠性比较敏感,在数据融合过程中易受到节点生存期短和数据被伪造或篡改等方面的威胁,为了提高融合结果的真实性与可靠性,本文提出一种针对网络路由和节点的优化改进策略,路由方面应用流量分布加权算法最大化网络的生命周期;节点方面,应用BP神经网络算法融合簇头节点和基站的数据,最后采用信誉度评价机制对网络的整体性能进行分析。实验表明,改进后的融合方法可靠性提高,较大程度减少了数据的冗余度、降低了能量的消耗,提高了整个网络的性能。     

快速路截面数据和车牌识别数据融合算法

为了提高快速路交通流检测精度,在对快速路截面数据和车牌识别数据预处理方法研究的基础上,提出了基于遗传算法优化的BP神经网络数据融合算法,并以VISSIM模拟交通流数据为对象,通过MATLAB程序实现该算法的仿真验证,同时与传统BP神经网络融合算法进行对比分析.结果表明,该算法融合的平均相对误差为0.73%,传统BP神经网络融合的平均相对误差为1.55%,融合精度显著提高.     

模糊神经网络在雷达网数据融合中的研究

根据数据融合的原理,对雷达网数据融合问题提出了一种模糊神经网络模型,讨论了神经元感应场内模糊隶属度函数最大的WTA竞争机制和目标数据的重复融合问题。通过三目标数据关联的仿真实验,证明了该方法的有效性。     

数据融合技术在动态称重系统中的应用

数据融合技术是近几年发展起来的一门新兴技术,在军事和工业中有着广阔的应用前景。论述了数据融合的基本工作原理和过程;针对车辆动态称重系统的结构和特点,提出了几种数据融合计算方法,可有效地提高车辆动态称重系统抗干扰能力,以保证参数检测的可靠性和准确性.     

数据融合技术在集员辨识中的应用

集员估计算法是一种新型的、有效的系统估计方法,在控制领域越来越受到重视.通过多传感器数据融合的方法,可以减少单一传感器辨识目标的不确定性和模糊性,可以进一步提高辨识结果的准确性和精度.文中提出了一种新型的基于数据融合的集员估计算法可以用来减少各种检测误差带来的影响,提高辨识的速度和精度.得出一个更优的集员估计集.     

优化BP神经网络在非均衡数据分类中的应用

基于预处理结果将降噪BP神经网络方法应用于非均衡数据分类。通过SGD方法获取最小代价的函数损失值。引入学习率自适应更新方法对SGD方法中的学习率进行更新,给出非均衡数据分类流程,实现非均衡数据分类。     

实时补缺方法对交通信息融合精度的影响

针对各种检测方式中因检测设备失效或因错误数据的排除处理等导致的数据缺失情况,本文提出了时间序列法、空间序列法和历史数据法等3种缺失数据实时补缺方法,并以城市快速路的浮动车数据和微波数据的数据融合为例,通过比较上述方法的补缺精度以及对数据融合精度的影响,分析了不同补缺方法的适用性以及数据补缺处理中的使用优先级.结果表明,基于时间序列和空间序列补缺方法的数据融合结果的平均相对误差均能控制在20%以内,所提出的实时数据补缺方法具有良好的实用性.     

Sensor Registration Based on Neural Network in Data Fusion

The contents of sensor registration in the multi-sensor data fusion system are introduced, and some existing methods are analyzed. Then, one approach to sensor registration based on BP neural network is proposed. Here the measurements from radar are transformed from the polar coordinate system to the Cartesian coordinate through a BP neural network. With this approach, the systematic errors are removed as well as the coordinate is transformed. The efficiency of this method is demonstrated by simulation, and the result show that this approach could remove the systematic errors effectively and the DAR are closer to real position than DBR.     

基于BP神经网络的水分检测数据处理

由于电容式粮食水分检测中影响检测的因素较多,检测精度很难取得令人满意的测量效果。介绍了采用BP网络进行水分检测数据处理方法,给出了一组具体的试验数据及处理结果。结果表明通过BP网络的数据处理,粮食水分的检测精度得到了改善。     

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．     

BP神经网络在多源图像融合中的应用研究

采用BP神经网络与SVR融合法相结合的方法来实现像素级多源图像融合。改进型的SVR方法,用来进行全色波段和多光谱波段的融合。首先将各多光谱波段与全色波段求算回归系数,然后利用回归系数与多光谱波段合成模拟高空间分辨率全色波段,最后利用比值变换完成各波段的融合．通过仿真证明,BPNN—SVR融合法优于SVR融合法。