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.     

基于小波网络的主被动毫米波数据特征层融合

针对毫米波主被动数据决策层融合预处理代价高、丢失目标信息的缺点,提出了一种基于小波网络的毫米波主被动数据特征层融合方法。该方法从主被动数据中提取特征值,将特征值作为小波神经网络的输入,在小波网络中实现主被动数据的特征层融合,对目标进行识别。实验和计算机仿真表明,对与毫米波主被动数据融合,基于小波神经网络的特征层融合的识别率比基于D-S证据理论的决策层融合的识别率高。     

基于神经网络的多传感加权融合算法的研究

数据融合技术是无线传感器网络的一个关键的技术,能减少传感器的传输量,从而明显提高网络的感知性能,延长网络生命周期,减少时间延迟.多传感器的数据融合可以获得比单一传感器更多,更准确的信息.针对从含有噪声的测量数据中估计出监测变量,对自适应加权融合算法进行改进,基于信任度方法对测量数据进行数据预处理,然后基于神经网络误差修正的方法实现各传感器权重的自适应匹配,从而得到较为准确的估计值.通过对比仿真实验,本文算法的融合结果在精度、容错性方面均优于均值估计算法和自适应加权融合算法;能够更好地适应当今大数据环境下对数据精确度的要求.     

多传感器数据的处理及融合

针对多传感器数据的多样性, 提出一种改进的数据融合算法. 首先, 利用小波技术消除已收集数据的高斯白噪声并对数据进行压缩; 其次, 对处理后的数据进行分层, 并对系数进行Kalman滤波, 同时利用Mallat快速重建算法重构数据; 最后, 利用最大、 最小贴近度计算传感器数据的信噪比, 并通过信噪比进行数据融合. 基于实际采集的多传感器数据对比实验结果表明, 该数据融合算法在稳定性上优于简单加权数据融合、 小波数据融合和Kalman滤波融合等算法.     

传感器网络数据流异常数据检测与修正

提出一种通用于传感器网络应用的数据流异常时空综合检测与修正的方法,将基于小波的时域滤噪方法与基于BP神经网络的空域数据融合相结合,并在此基础上提出了基于小波尺度的异常检测与修正方法,通过时间阈值确定数据融合所采用的时间窗口．利用小波变换的时分和频分特性,将异常检测与修正和异常数据持续时间相联系,通过多传感器数据融合的结果对传感器网络异常数据进行修正,从而剔除传感器网络中的异常数据。     

基于小波分析法的传感器信息融合的运动损伤检测方法

传统方法针对多组传感器路径中的检测点,在很大程度上会出现若干存在差异的损伤发生概率,导致运动损伤检测不准确。为此,提出一种传感器信息融合的运动损伤检测方法。利用多帧帧间差的累积消除空洞效应,在此基础之上,融合传感器确定出准确的人体运动区域,以此对不同场景人体运动进行监测;采用小波分析法对监测结果的非平稳信号进行分析,得到运动损伤特征。将传感器信息融合和小波神经网络结合在一起,获取所有传感器的小波能量特征向量,按照最大概率密度函数值和特征向量获取融合运动损伤检测结果及损伤种类。实验结果表明,所提方法检测结果准确,实用性强。     

改进的BP算法在多传感器数据融合中的应用

采用了基于小波神经网络的BP权值平衡改进算法,构造小波神经网络并训练以改变BP网络权值.根据多传感器特征级数据融合模型,并结合该权值平衡算法,使测量到的数据进行基于特征级的融合,并将该数据融合结果提供给决策级判断,从而得出理想的判定效果.仿真结果表明,该数据融合算法避免了BP权值平衡算法的缺点,不仅提高了学习的速度,而且具有更高的计算精度.     

舰艇化学侦察中的毒剂识别技术

为了更有效地对海战场化学战剂实施监测与快速准确识别,提出将多传感器信息融合（MSIF）技术、小波分解和神经网络应用于舰艇化学侦察领域中,构建了多传感器融合式舰艇化学侦察系统模型。同时,把小波分析和神经网络有机地结合起来,创建一套基于小波变换和神经网络的化学战剂特征快速提取与识别系统——神经网络识别毒剂系统,建立了带有偏差单元的递归神经网络识别毒剂模型和基于小波分析的毒剂特征提取方法。实验与仿真结果表明;利用基于MSIF技术和小波分析的神经网络识别毒剂系统,对毒剂进行定性定量分析是切实可行的,该方法能显著提高测量结果的准确性和可信度,且结果具有可重复性。     

基于神经网络与特征融合的损伤诊断方法

为了能准确地诊断复杂结构损伤是否产生以及产生的位置和程度,提出了一种小波包分解、多传感器特征融合和神经网络模式分类相结合的结构损伤诊断方法。首先,用正交小波包对多个传感器采集的振动信号进行小波包分解,并计算每个频带上的相对能量;然后把这些传感器信号的小波包相对能量融合,构成神经网络分类器的输入特征向量,从而实现损伤的诊断和评价。研究结果表明:正交小波包分解的频带能量分布能够较好地反映结构的损伤特征;特征融合能够使不同传感器的信息相互补充,减小了损伤检测信息的不确定性,使诊断信息具有更高的精度和可靠性,提高了诊断准确率。     

基于Kalman-BP协同融合模型的含沙量测量

针对黄河含沙量测量易受环境因素影响而导致测量结果不准确的问题,提出基于卡尔曼和BP神经网络(Kalman-BP)的协同融合模型,将含沙量、水温和流速等传感器输出值经过卡尔曼滤波器进行滤波处理;然后经BP神经网络模型对含沙量信息和环境量信息进行多传感器数据融合;最后建立了含沙量测量的反演模型.为了比较Kalman-BP神经网络的协同处理方法的融合效果,在相同环境下还进行了一元线性回归模型和多元线性回归模型的含沙量数据处理,并进行了误差分析比较.实验结果表明,Kalman-BP神经网络协同融合模型的测量误差较小,提高了含沙量测量系统的精度.     

基于无源观测器的小波神经网络故障诊断方法

针对自主化、智能化的动力定位船舶传感器故障诊断性能降低,漏报、误报频发,进而影响作业安全的问题,提出一种融合模型和数据的诊断方法.该方法将非线性无源观测器与BP(误差反向传播)神经网络结合,并引入小波包分解方法对数据集进行处理,得到故障信号各个频段上的能量,细化分类特征.基于一艘动力定位船舶模型进行仿真,结果表明:该方法克服了单一观测器输出结果存在未知干扰、模型精度不高的问题,解决了神经网络历史数据集缺乏、代表性未知的问题,提升了故障识别性能.     

基于小波降噪和BP神经网络的风力发电机组齿轮箱故障诊断研究

针对风电机组齿轮箱故障频发这一现象,为改善设备性能,提高其利用率,采用基于小波降噪和BP神经网络相融合进行风电机组齿轮箱故障诊断与研究的方案.首先利用小波对采样数据降噪,然后输入小波神经网络中进行诊断,以准确地识别齿轮箱中常见的故障,结果表明该方案具有可行性.并结合风电场应用实例,证明了方案的可行性,为提高风力发电机组齿轮箱的稳定性提供了一种有效方法.     

小波分析和神经网络在过程数据预处理中的应用

分析了信号的奇异性检测原理,利用小波变换模极大值在多尺度上的表现与李普西兹指数间的关系,对小波变换后的系数进行处理,重构小波变换,然后对重构后的小波变换进行小波反变换,达到信号预处理的目的;同时,介绍了自联想网络的结构及其在信号消噪方面的应用.仿真实例表明,利用这2种方法进行过程数据的预处理,消噪后信号的信噪比显著提高;小波变换模极大值方法具有很理想的逼近精度,而神经网络则具有快速的计算能力.     

基于模糊神经网络和证据理论的瓦斯突出评判策略

针对影响煤矿瓦斯突出因素的不确定性和复杂的非线性关系,不能够利用经典的数学理论建立精确的预测模型,将模糊神经网络和D-S证据理论有机结合,提出了基于模糊神经网络和D-S证据理论的煤矿瓦斯突出危险等级评判策略.首先对传感器采集的待评判采掘面参数进行预处理,使用模糊神经网络得出第一步的融合结果,并将其进行归一化处理,归一化函数作为基本概率赋值函数,然后将归一化之后的数值作为基本概率分配值,再用D-S证据理论进行第二次数据融合,作出最终评判.实验结果表明,该方法具有良好的适应性并能得到准确性较高的评判结果.     

基于小波神经网络的实际业务流预测方法

针对无线传感器网络传输过程中容易受到噪音干扰的问题,提出了一种新的业务流预测算法AWNNP(Ant colony-based Wavelet Neural Network Prediction).该算法首先利用小波变换对业务流进行分解,并将其小波系数和尺度系数作为样本数据.其次,结合蚁群算法和神经网络来训练样本数据,采用小波模型重构进行重构,以此获得业务流的预测数据.同时,通过仿真实验对比,并分析了小波神经网络预测算法和BP神经网络预测算法,实验结果表明,AWNNP算法性能较优,其误差为16.21%.     

模糊神经网络和多传感器数据融合的系统设计——海底管道腐蚀监测系统

系统利用三组超声传感器和漏磁传感器获取原始信息,对多路原始信息进行小波变换和频谱分析,提取时域、频域的多种不同属性参数,并从中选择与输油管道腐蚀程度相关度大的特征参数。采用模糊神经网络多传感器数据融合方法,监测海底输油管道的腐蚀程度,可以在很大程度上提高对输油管道腐蚀程度的检测精度。实验结果表明了该方法的有效性和可行性。     

基于蚁群神经网络的两级信息融合算法

为了保证地下车库空气质量的同时尽量降低系统能耗,针对地库环境监测系统,提出了一种基于蚁群神经网络的两级数据融合算法TLIFA-ACOBP,该算法将分簇结构与神经网络模型有效结合,设计了一个基于分簇的无线传感器网络两级数据融合模型.首先运用蚁群优化(ACO)算法对BP神经网络的权值进行优化,并将优化后的蚁群神经网络用于无线传感器网络的信息融合.通过对簇成员节点采集到的原始数据进行两级融合处理,只将代表原始数据的少量特征值发送给汇聚节点,大幅度减少节点数据通信量,提高了数据传输效率,同时降低了系统能耗.     

基于数据融合技术的火灾报警系统的研究与设计

提出了一种基于现场总线的神经网络和模糊推理的多传感器数据融合技术,对所采用的数据融合技术进行了详细介绍.通过模拟实际输入信号的仿真结果证明,采用神经网络BP算法和模糊推理的多传感器数据融合技术能够准确预报火灾,有效降低误报率,达到了预期良好的效果.     

高精度故障电弧检测多传感器数据融合算法

 由于故障电弧的物理特性复杂, 且电路中存在与故障电弧波形相似的负载, 因此传统 检测故障电弧的方法误判率较高. 提出了一种多传感器数据融合算法, 用于提高故障电弧的检测精度. 该算法包括自适应加权融合算法和神经网络融合算法, 实现了对温度传感器、声音传 感器和弧光强度传感器所获取的传感信号的数据融合. 自适应加权融合算法克服了单个传感 器的不确定性, 实现了同质传感器中故障电弧特征的提取, 为神经网络融合算法提供了精确的测试样本数据; 神经网络融合算法可自行调整各类异质传感器的权重, 使故障电弧的辨识率更高. 实验结果表明, 该算法可有效提取故障电弧的特征, 辨识精度超过98%, 实现了高精度的故障电弧检测.     

基于自适应加权的多传感器实时数据特征值提取

为实现监测数据的特征值提取，对传感器数据的预处理、时间维及空间维融合方法开展了研究。建立了实时数据融合模型，提出了基于3σ-grubbs检验的异常数据预处理方法，兼顾了异常数据剔除的速度与精度，能很好地消除疏失误差;对单个传感器数据采用分批估计原理进行融合，得到了特征估计值，实现了数据在时间维上的融合;通过对多个传感器的特征估计值采用自适应加权方法进行赋权，实现了数据在空间上的融合，并提出了考虑传感器精度的算法修正。实例计算表明，数据经3σ-grubbs方法处理后方差减小了20%~54%，与传统的算术平均滤波方法相比，分批估计自适应加权融合算法的数据融合方差明显更小，考虑传感器精度后的融合结果更接近高精度传感器值，特征值提取结果更加准确、可靠。