基于粗糙集理论的分布式检测系统数据融合

探讨分布式检测系统数据融合的粗处理方法,给出基于粗糙集理论的分布式检测系统的数据融合结构和相容算法, 通过不可分辨关系确定属性约简、导出决策规则,并将其应用于油田输油管测漏系统中,结果证明了该方法的合理性和有效性.     

分布式检测系统数据不相容情况下的融合方法

探讨基于粗糙集理论的分布式检测系统在数据不相容情况下的处理算法,包括上、下近似集和边界集的确定,然后根据下近似集和边界集确定出规则,删除冗余规则后得到融合中心的所有规则。文中通过实际数据说明具体处理过程,验证该算法正确性和有效性。     

基于BP神经网络的压力传感器数据融合

多传感器数据融合问题已经引起许多学者的广泛关注.通常,压力传感器都存在交叉灵敏度,其主要表现在传感器静态特性不仅受目标参量的影响还受多个非目标参量的影响.由于传感器的输出受多个参量的变化的影响,导致其性能不稳定,测量精度降低.针对温度、噪声、电源波动等多种环境因素影响压力传感器输出电压值这一问题,在阅读了大量的参考文献...     

基于粗糙集与BP神经网络的分布式数据挖掘算法

利用数据挖掘来提高网络中能量利用率是无线传感器网络(WSN)的一个重要研究方向.本文构建了基于粗糙集与神经网络相结合的无线传感器网络分布式数据挖掘算法.该算法用粗糙集对节点内的原始数据进行离散化与属性约简后得到的最简决策表训练BP神经网络,再将构造好的BP神经网络集成在每个传感器节点上.仿真结果表明,该算法可以降低数据维数,消除冗余数据、减少网络通信量、延长网络寿命.     

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。     

基于数据融合的分布式入侵检测系统研究

针对分布式入侵检测在当今网络安全中发挥着越来越重要的角色,将数据融合技术引入到入侵检测系统中,提出了基于数据融合的分布式入侵检测系统设计方案,描述了分布式检测和决策融合的结构设计,讨论了数据融合决策问题的数学模型,运用理论推理论证了融合决策处理的可靠性。分析比对实验表明,该系统降低了入侵检测系统的虚警率,提高了检测率。     

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.     

基于神经网络的多传感器数据融合

当前，多传感器技术是研究热点。通过不同功能，不同精度，不同位置的传感器，可以对所需要的被测量进行多方位多角度的测量。但是，目前对于多传感器所测的数据还没有一种通用的行之有效的处理思想。借用模糊控制策略，与改进的BP神经网络算法结合对其进行数据融合。在仿真中取得了比已往算法更高的精度，控制策略制定准确、可靠。是一种较有潜力的多传感器数据融合方法。     

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。     

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。     

粗集神经网络在图像融合滤波中的应用研究

传统的或改进型的中值滤波器,很难在图像噪声滤除和细节保留两方面兼顾与平衡.本文基于粗神经元构建了一种粗集神经网络,该粗集神经网络对5×5中值滤波器和多级FIR中值混合滤波器MFMHF(Multilevel FIR-Median Hybrid Filter)的处理结果进行融合.由于粗神经元的不可微性,BP算法不再适用,因此本文采用遗传算法GA来进行网络权值的学习,同时融入具有局部搜索能力的爬山法改善了进化后期的计算效率.仿真试验表明,粗集神经网络在图像融合滤波方面的性能优于BP网络和一般的中值滤波器.     

一种基于粗糙集和遗传神经网络的数据分类器模型

为了实现对无线传感器网络监测得到的高维冗余且不确定的数据进行分类识别,提出一种由遗传算法和粗糙集进行优化的BP神经网络数据分类器模型,并形成了数据挖掘分类算法。该模型通过粗糙集理论的属性约简算法删除训练样本的冗余属性,利用遗传算法对神经网络的权值和阈值进行优化,并进行神经网络学习。数据挖掘分类算法学习速度快,能够有效提高无线传感器网络中数据的分类效率。     

基于神经网络的数据融合技术的新进展

为了使系统自适应、并行、高速地融合多源数据，近代融合方法越来越多地将人工神经网络应用其中．详细论述了几种近10多年来出现的新的神经网络算法在数据级、特征级、决策级的应用，提出了部分改进算法，给出了融合结构及对算法的评价结果，同时介绍了人工神经网络在融合数据前处理方面的应用。并展望了神经网络的发展趋势．     

BP神经网络在数据挖掘分类中的应用

结合人工神经网络对噪声数据具有高承受能力,且对未经训练的数据具有分类模拟能力的特点,讨论了在数据挖掘领域中利用BP网络进行数据分类的实现过程,描述并分析了BP算法.然后,针对银行业务中客户信用政策给出了实例分析,用该算法建立了一个分类模型,根据存款金额、贷款次数、及时还贷率等数据信息实现对客户信用等级的分类.     

BP神经网络在矿井安全监测评价系统中的应用

阐述了BP神经网络基本理论，分析了BP神经网络存在的问题并提出了两种改进方法，增加了收敛速度，提高了效率。并将其应用于矿井安全监测评价系统中，提出了基于此理论的安全监测评价方法等，为矿井的安全生产和安全管理提供了依据。     

BP神经网络的模型优化研究及应用

随着神经网络在数据分析、预测及生产控制中的应用,神经网络的优化学习成为研究的一个重要课题。通过探讨BP神经网络模型的建立过程,针对BP神经网络的模型优化问题进行了详细研究。并通过对银行客户分类的仿真实验证明,优化模型能够有效地提高BP神经网络的收敛速度及预测精度。