基于D-S证据理论的模糊聚类图像融合分割

针对模糊聚类图像分割算法的固有缺点,提出了一种基于D-S证据理论的模糊聚类图像融合分割算法。对图像的点灰度特征和块灰度特征分别进行模糊C均值聚类,并将各自的模糊隶属度转化为单一或复合假设及其基本概率赋值,再利用D-S证据理论进行融合分割。实验结果表明该算法的分割效果优于传统的模糊聚类分割算法。     

基于Kalman滤波与多特征模糊聚类的图像融合

为了减低图像的噪声，保留有用的信息，获得更为可靠的融合图像，将Kalman滤波引入图像融合中，提出基于Kalman滤波与多特征模糊聚类的图像融合算法．该方法结合滤波和多特征优点，实验结果表明了该方法的有效性．     

模糊Kohonen聚类网络用于骨髓细胞图像分割

提出了一种基于图像的边界特点来确定模糊Kohonen聚类网络输出类别的方法。该方法首先构建了图像的一个边界模型，然后利用Zernike矩阵出边界模型的参数，最后根据参数的特点，自动确定模糊Kohonen聚类网络输出数目。试验结果表明该方法构建的模糊Kohonen聚类网络能够实现图像的自动模糊分割，说明了方法的可行性。     

基于Kalman滤波与多特征模糊聚类的图像融合

为了减低图像的噪声,保留有用的信息,获得更为可靠的融合图像,将Kalman滤波引入图像融合中,提出基于Kalman滤波与多特征模糊聚类的图像融合算法.该方法结合滤波和多特征优点,实验结果表明了该方法的有效性.     

一种基于区域的图像融合新方法

提出了一种基于多通道Gabor滤波器和FCM聚类的图像融合新方法.该方法先利用模糊C-均值聚类算法在多通道Gabor滤波器形成的特征空间上对图像进行区域分割;再对待融合图像进行多尺度小波分解;在此基础上利用Gabor滤波器提取高频段纹理特征构造区域相似度,应用区域相似度及信息量构造加权因子,从而得到融合图像的小波系数;最后,利用小波逆变换得到融合图像.评价融合算法的性能采用了均方根误差、峰值信噪比、熵、交叉熵、互信息5种准则.研究结果表明,该方法具有良好的融合特性.     

一种基于图像块分割的多聚焦图像融合方法

针对多聚焦图像，提出了一种基于图像块分割的图像融合方法，采用块区域局部对比度将多聚焦图像分割成三部分：聚焦清晰区域、聚焦模糊区域以及两者之间的边界区域，对于清晰区域和模糊区域，直接选取清晰块区域作为融合后相应块区域；对于边界区域，建立了基于对比度的像素选取方法进行融合处理，实验对比结果表明，该方法明显优于拉普拉斯金字塔融合算法和离散小波变换融合算法。     

图像模糊信息融合算法的性能评价

讨论了图像模糊信息融合算法的性能评价问题，采用信息融合技术，可把图像的模糊信息进行融合处理，进一步提高基于模糊技术的图像模式识别的准确率，从信息论的观点出发，提出利用模糊熵来评价模糊信息融合算法的性能，以指导对融合算法的设计和分析，提高评价方法的客观性和精确性。     

基于Zernike矩特征的FCM-RBF神经网络图像分类器

针对交通监控图像识别精度较差的问题,设计一种基于径向基(radial-basis)函数神经网络的图像分类器.该分类器利用Zernike矩噪声敏感度较小、形状特征稳定性好的特点,构建四阶矩的特征向量,用于特征提取;利用自适应模糊聚类方法,解决径向基函数神经网络隐层节点数不确定的问题.仿真分析表明,该分类器与基于改进的快速模糊C均值聚类算法的Back Propagation网络分类器和径向基函数神经网络分类器相比具有更高的识别率,与改进的粒子群优化模糊C均值聚类算法的径向基函数神经网络分类器相比具有相近的识别率,但其计算复杂度较低.仿真实验结果表明,该方法具有较好的分类能力及较高的计算效率.     

一种基于小波神经网络的图像融合方法

图像融合结合图像处理、信号处理、计算机和人工智能等相关技术．通过对多源图像数据信息的提取合成,从而获得同一场景目标较为准确全面的图像描述．神经网络具有强大的非线性映射逼近能力,将神经网络用来进行滤波融合,避免了传统滤波图像变模糊问题．通过小波神经网络自适应动量快速学习算法进行图像滤波融合,能从根本上避免局部最优,且加快收敛速度,具有很强的学习和泛化能力,也避免了网络结构盲目设计．仿真实验表明,用本方法实现的融合图像更加符合人的视觉特性．     

基于模糊神经元网络的信息融合模型

为了解决对象是庞大数据的复杂的工业生产过程的建立模型困难的问题,提出了基于势场拓扑的层次聚类算法和模糊c均值聚类算法融合,结果表明:通过两次聚类算法的融合,获得精确的聚类个数和隶属度,以此来确定模糊神经网络的结构模型,并将得到的隶属度作为依据,建立基于多判据信息融合和模糊技术构建神经元网络模型,通过对实际地下开采生产过程的仿真,结果验证了模型的有效性。该成果对煤矿开采具有一定的参考价值和指导意义。     

基于非均匀分布双融合节点的WSN数据融合算法

针对无线传感器网络中层次型融合算法的单跳路由造成网络能量消耗不均衡的问题,提出了一种利用非均匀思想在LEACH（low energy adaptive clustering hierarchy）算法基础上进行改进的混合型融合算法．该算法首先利用LEACH进行分簇和融合节点的选择,融合节点主要用于簇内数据的接收和融合处理．然后基于融合节点到基站距离的不同,非均匀的选择出网内的副融合节点,副融合节点主要用于转发网内融合节点发来的数据．仿真结果显示,该算法综合了平面型融合算法和层次型融合算法的优点,既均衡了网络能量的消耗又有利于网络的扩展,并且算法简单、适应性强．     

基于可信度小波神经网络的多传感器数据融合方法

针对传感器数据的多样性, 提出一种基于小波和神经网络数据融合的改进方法. 首先, 对传感器数据进行预处理; 然后, 用小波和BP神经网络相结合的方法优化数据; 最后, 利用计算传感器可信度对数据进行融合. 传感器数据融合效果对比实验结果表明, 该算法针对数据预处理和数据融合的稳定性和有效性均较好, 融合结果的离散程度优于加权数据融合和Kalman数据融合等方法.     

基于人工鱼群算法优化神经网络的WSN数据融合

无线传感网(wireless sensor network, WSN)通常节点众多、数据冗余度高,传统的基于随机权值和阈值的前馈反向传播神经网络(back propagation neural network, BPNN)数据融合方法易陷入局部极值,导致融合结果准确性差。提出一种优化神经网络的权值和阈值进而改善WSN数据融合质量的方法-人工鱼群算法前馈反向传播(artificial fish swarm algorithm back propagation, AFSABP)神经网络数据融合。仿真和对比实验结果表明,改进的鱼群算法在收敛速度和寻优精度上都有明显提升,改进后的人工鱼群BP算法数据融合方法相较于传统BP数据融合方法,可减少3.06%的相对误差和3.74%的均方根误差。     

基于可信度小波神经网络的多传感器数据融合方法

针对传感器数据的多样性, 提出一种基于小波和神经网络数据融合的改进方法. 首先, 对传感器数据进行预处理; 然后, 用小波和BP神经网络相结合的方法优化数据; 最后, 利用计算传感器可信度对数据进行融合. 传感器数据融合效果对比实验结果表明, 该算法针对数据预处理和数据融合的稳定性和有效性均较好, 融合结果的离散程度优于加权数据融合和Kalman数据融合等方法.     

基于模糊神经元网络的信息融合模型

神经元网络应用于一般工业过程建模比较有效,但对于对象是庞大数据的复杂的工业生产过程就明显力不从心,提出了基于势场拓扑的层次聚类算法和模糊c均值聚类算法融合,以获得精确的聚类个数和隶属度,基于多判据信息融合和模糊技术构建神经元网络模型,通过对实际地下开采生产过程的仿真,结果验证了模型的有效性。     

基于双簇头聚类分簇和数据融合的无线传感器网络路由算法

针对无线传感器网络中基于低能量自适应聚类层次(LEACH)算法进行分簇时出现的簇分布不均匀及路由能量消耗过快问题,提出一种基于双簇头聚类和数据融合的分簇算法.该算法在分好的簇中选择两个级别的簇头,两个簇头履行不同职责,能更好地均摊能量消耗,提高了分簇均匀性.仿真实验结果表明,该算法降低了网络能耗,提升了网络生命周期.     

多传感器数据融合技术与单平台火控系统

分析了多传感器数据融合技术的优越性和单平台火控系统的不足，应用数据融合技术，不仅可以提高目标的探测和分类能力，亦可提高目标跟踪精度，给出单平台火控系统数据融合结构和功能图；指出应用神经网络融合方法优于其它算法。     

神经网络在多传感器多目标跟踪中的应用

首先研究了基于粗关联和精关联过程的多传感器多目标(MSMT)跟踪融合算法，精关联是联合概率数据关联(JPDA)算法的推广，JPDA算法存在随传感器数和目标数的增加而计算量迅速增加的缺点；其次提出了一种基于神经网络的MSMT联合概率数据互联(MNJPDA)算法，MNJPDA算法能克服计算量爆炸问题，基于MNJPDA的融合算法能提高跟踪的快速性．仿真结果证明了MNJPDA融合算法的有效性．     

粗糙集结合BP神经网络的数据融合方法研究

在粗糙集和数据融合基本理论的基础上,研究了基于粗糙集理论和BP神经网络相结合的数据融合方法。先利用粗糙集对输入信息进行简化,剔除冗余信息,从而缩减了BP神经网络的规模,提高了融合系统的识别率,进而提高整个融合系统的效率。与传统的神经网络融合系统进行比较,通过实例说明了该方法的有效性。