基于BP神经网络的数据融合技术在分布式养老系统中的应用

根据神经网络在数据融合的应用比较成熟,BP神经网络具有实现简单,以及在一定范围内具有较高识别精度的特点,选用此方法,在分布式养老系统中对老人的体征信息和监控设备两种属性不同的图像信息进行融合处理,实时监测老年人的身体状态.当神经网络的输入信息维数过高时,会导致神经网络训练速度下降.针对此问题,对传统的基于神经网络的融合算法进行改进,利用粗糙集对输入数据进行约简,使神经网络输入数据降维.同时,将约简后的信息进行训练.算法在训练时间和融合结果的准确性上都有提高.     

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.     

基于GA优化BP神经网络的WSN数据融合技术研究

为减少无线传感器网络中节点的数据通讯量,降低能量消耗,达到数据融合的目的,设计了一种基于遗传算法优化BP神经网络的数据融合算法(BPGA),阐述了数据融合原理、BP神经网络和遗传算法,介绍了遗传算法优化BP神经网络的数据融合方法,利用遗传算法优化神经网络的权值、阀值及隐含层结构,然后通过优化后的神经网络提取无线传感器网络中原始数据的特征信息,并将特征信息发送给汇聚节点,从而提高网络数据采集效率,延长网络生命周期。最后通过与LEACH、BPNDA算法进行仿真实验比较,证明了其有效性。     

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.     

基于多策略改进神经网络的力学性能近似估算

介绍了应用于Q235焊接力学性能的神经网络近似分析方法,开展了焊接力学性能的样本数据对神经网络近似估算的实验研究,为提高估算的准确度,提出了一种新的基于融合多策略混合粒子群优化BP算法(MSBPA)应用于焊接性能数据的非线性映射处理,建立了估算模型。将估算模型应用于Q235焊接力学性能估算分析。为验证算法的有效性,分别运用了融合多策略混合粒子群优化BP算法、遗传算法优化BP算法和传统BP算法对焊接性能近似估算问题进行对比仿真分析。结果表明:基于融合多策略混合粒子群优化BP估算模型对Q235焊接力学性能有较好的非线性拟合能力,估算值与实验值间最大相对误差仅为3. 5%,具有较优的估算准确性。     

基于烟花优化的WSN数据融合算法

为减少无线传感器网络(WSN)中的数据冗余,延长网络生命周期,克服基于BP(反向传播)神经网络的数据融合算法收敛慢、数据精度低和易陷入局部最优的不足,提出一种基于烟花算法优化的无线传感器网络融合算法(IFWABP)．首先在烟花算法中使用Tent混沌图改进烟花种群的初始位置分布,使初始烟花分布更加均匀;然后利用改进的烟花算法优化BP神经网络的权重矩阵和阈值矩阵等参数进行数据融合;最后通过仿真对算法的性能进行测试和分析．仿真结果表明：对比其他算法,IFWABP算法提升了WSN数据融合的精度,降低了网络能耗,延长了网络生命周期．     

自反馈BP网云计算信息融合算法及应用

通过对BP网络的输入层节点增加了自反馈,使BP网络对历史数据具有了记忆功能,改进后的局部自反馈BP神经网络具有动态映射和处理历史数据的能力.使用该局部自反馈BP神经网络实现了多信息的融合算法;通过对工矿企业现场诊断技术、信息融合方法和物联网应用分析,设计了一个基于物联网的工矿企业现场诊断与管理系统,并将局部自反馈BP神经网络信息融合算法应用到基于物联网现场诊断系统的云计算层,为设备生产厂家和工矿企业应用物联网进行现场诊断与管理提供了一个解决方案.     

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.     

数据融合技术在火灾报警系统中的应用研究

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。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,达到了预期效果。     

基于粒子群和布谷鸟搜索的BP神经网络优化方法研究

针对BP神经网络初始化敏感性高、易陷入局部最小值的问题,研究基于粒子群优化和布谷鸟搜索融合的BP神经网络优化方法,提出一种分层的融合优化模型MB-PSO-CS-BP。该方法在下层使用Mini-Batch算法将粒子群分割为小种群,利用粒子群优化算法进行局部搜索;在此基础上采用布谷鸟搜索算法进行全局搜索,从而减小BP神经网络初始化的敏感性,减缓其陷入局部最优的症状。在实际应用领域的数据集上对所提出算法进行实验验证。相较于一般的PSO-BP模型与CS-BP模型,所提出的MB-PSO-CS-BP融合模型在全局最优值、均方误差等多个评估指标上有所改进,进一步提升了利用BP神经网络进行预测的准确性与稳定性。     

模糊神经网络在车辆识别中的应用

为提高智能交通系统中汽车车型自动识别的正确率,采用了多传感器移动车辆识别系统的数据融合算法,即用模糊神经网络建立数据融合决策模型,用BP算法对网络进行学习和训练,提高系统的精度和智能化.仿真实验结果表明了算法的有效性.     

PCA-BP神经网络入侵检测方法

针对经典BP神经网络在入侵检测应用中收敛速度慢、学习性能不够理想等缺陷,以消除原始数据中的冗余信息、提升入侵检测算法的检测性能为目的,综合采用主成分分析法和附加动量法,提出了一种基于PCA-BP神经网络的入侵检测方法,通过对数据的特征选择和对网络的权值修正,对经典BP神经网络算法进行了拓展和改进。首先对网络数据集进行标准化处理,并对处理后的数据集进行降维处理以确定主分量的特征数,最后将处理完成后的数据集输入到改进的BP神经网络中进行检测。通过在KDD Cup 1999网络数据集上的大量实验证明,该方法在大部分网络环境,尤其是在训练样本较为充足的网络环境中时,系统模型的收敛性、检测效率和检测准确率上均优于经典BP神经网络方法和半监督入侵检测方法。     

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.     

基于PSO-BP的钻井机械钻速预测模型

机械钻速预测是优化钻进过程、提高钻井效率的关键技术,现有的计算模型主要建立在物理实验和理论分析的基础上,缺少对钻井工程实测数据的应用,导致计算精度难以满足复杂的现场需求.基于此,提出一种人工智能算法与BP(back propagation)神经网络相结合的钻井机械钻速预测模型.首先,利用小波滤波方法对实测数据进行降噪处理,并依据互信息关联分析优选输入参数降低模型冗余.其次,利用粒子群优化(particle swarm optimization,PSO)算法实现对BP神经网络初始权值、阈值的优化,建立机械钻速预测新模型,并将PSO-BP新模型与标准BP、BAS(Beetle Antennae Search,天牛须算法)-BP及GA(genetic algorithm,遗传算法)-BP等三种模型进行对比分析.最后,根据实际工况对PSO-BP钻井机械钻速预测模型进行模型评价.结果表明,PSO-BP机械钻速预测模型不仅具有良好的预测精度,而且为钻进过程中提高机械钻速提供科学的参考.     

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K-Means和粗糙集神经网络的节点故障诊断

传感器节点通常被随机布撒于环境恶劣甚至无人能及的区域,容易发生各类故障.为了解决此问题,研究了基于K-Means算法和粗糙集神经网络的节点故障诊断方法.首先,采用改进的K-Means算法离散化数据连续属性值;然后,通过粗糙集互信息法对数据属性进行约简,以提高诊断效率;最后,建立三层的BP神经网络故障诊断模型,通过蛙跳算法对权值优化得到最终的故障诊断模型.仿真实验证明文中方法能实现传感器节点故障诊断,且与其他方法相比,具有较高的故障诊断精度和较少的诊断时间.     

基于遗传算法和BP神经网络的多维客户行为细分模型的研究

根据BP神经网络强处理非线性问题和遗传算法具有全局寻优的特点,总结出用遗传算法优化BP神经网络的初始权值和阈值,建立了基于遗传算法和BP神经网络的多维客户行为细分模型,对客户进行细分,挖掘出潜力客户,有效降低营销成本。最后,利用Matlab对多组数据进行测试,并与纯BP算法进行分析比较,结果表明该方法是有效可行的。     

基于多BP神经网络与D-S融合的车型识别研究

为了提高BP神经网络对车型的识别率,克服单个BP神经网络所存在的网络结构和训练样本数量之间的矛盾,针对大量训练样本采取多个BP神经网络进行训练,进而采用训练好的多个网络进行车型识别. 利用D-S理论将各个BP网络的识别结果进行数据融合以改善最终的车型识别结果. 实验结果表明:随着训练样本数量的增加,多BP网络数据融合方法比单BP神经网络有更高的识别率.     

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。